一个因变量，多个自变量，如何找到各个自变量为多少时，因变量最小

这种情况通常涉及到优化问题，特别是线性规划或最优化问题中的最小化问题。当你有一个因变量（目标函数）依赖于多个自变量（决策变量），比如在经济学、工程学或数学建模中，你想找到一组自变量值使得因变量达到最小。这可以通过求解多元一次方程组或者使用线性规划算法（如单纯形法或梯度下降法）来完成。

对于线性规划，可以构建一个线性目标函数和一组线性不等式约束，然后通过解决这个模型找到最优解。例如，在Python的`scipy.optimize`库中，可以使用`linprog`函数：

from scipy.optimize import linprog

# 定义目标函数系数和约束矩阵 A_ub, b_ub
c = [coefficient_of_your_variable]  # 目标函数的斜率
A_ub = matrix_of_coefficients_of_x_variables  # 约束项的系数
b_ub = bounds_on_x_variables  # 上界约束值

# 解决线性规划问题
solution = linprog(c=c, A_ub=A_ub, b_ub=b_ub)
optimal_values_of_x = solution.x

如果你的问题是非线性的，可以尝试使用非线性优化工具，如`scipy.optimize.minimize`或专业的优化软件（如MATLAB中的`fmincon`）。