Python求ackley函数最优解

Ackley函数是一个经典的优化问题，它是一个具有多个局部极小值的非凸优化问题。Python有许多优化库可以用来求解这个问题，其中比较流行的是Scipy库中的optimize模块。

下面是一个使用Scipy库中optimize模块求解Ackley函数最优解的示例代码：

import numpy as np
from scipy.optimize import minimize

def ackley(x):
    """
    Ackley函数
    """
    a = 20
    b = 0.2
    c = 2*np.pi
    d = len(x)
    sum1 = np.sum(np.square(x))
    sum2 = np.sum(np.cos(c*x))
    return -a*np.exp(-b*np.sqrt(sum1/d)) - np.exp(sum2/d) + a + np.exp(1)

bounds = [(-5, 5)]*30   # 30维变量，每个变量的取值范围为[-5, 5]

result = minimize(ackley, np.random.uniform(-5, 5, 30), method='L-BFGS-B', bounds=bounds)
print(result.fun)   # 输出最优解对应的函数值
print(result.x)     # 输出最优解

上述代码中使用了Scipy库中的minimize函数来求解Ackley函数的最优解，其中np.random.uniform(-5, 5, 30)表示生成一个30维的随机向量作为初始点。bounds表示每个变量的取值范围，method参数表示使用L-BFGS-B算法进行优化。运行上述代码后，将会输出最优解对应的函数值和最优解。