用python实现以下问题：选取一个多元目标函数，分别利用梯度下降法与BB方法进行求解

以下是使用梯度下降法和BB方法求解多元目标函数的Python代码示例：

import numpy as np

# 定义多元目标函数
def multi_obj(x):
    return (x[0] - 1)**2 + (x[1] - 2.5)**2 + (x[2] + 1)**2

# 梯度下降法
def gradient_descent(f, df, x0, lr, eps):
    x = x0
    while True:
        grad = df(x)
        x_new = x - lr * grad
        if np.linalg.norm(x_new - x) < eps:
            break
        x = x_new
    return x_new, f(x_new)

# BB方法
def BB_method(f, x0, eps):
    x = x0
    delta = 1
    while delta > eps:
        f1 = f(x + delta*np.array([1, 0, 0]))
        f2 = f(x - delta*np.array([1, 0, 0]))
        f3 = f(x + delta*np.array([0, 1, 0]))
        f4 = f(x - delta*np.array([0, 1, 0]))
        f5 = f(x + delta*np.array([0, 0, 1]))
        f6 = f(x - delta*np.array([0, 0, 1]))
        fmin = min(f1, f2, f3, f4, f5, f6)
        if fmin == f1:
            x = x + delta*np.array([1, 0, 0])
        elif fmin == f2:
            x = x - delta*np.array([1, 0, 0])
        elif fmin == f3:
            x = x + delta*np.array([0, 1, 0])
        elif fmin == f4:
            x = x - delta*np.array([0, 1, 0])
        elif fmin == f5:
            x = x + delta*np.array([0, 0, 1])
        else:
            x = x - delta*np.array([0, 0, 1])
        delta = delta / 2
    return x, f(x)

# 目标函数的梯度
def gradient(x):
    return np.array([2*(x[0]-1), 2*(x[1]-2.5), 2*(x[2]+1)])

# 初始点
x0 = np.array([0, 0, 0])
# 学习率
lr = 0.1
# 收敛精度
eps = 0.0001

# 使用梯度下降法求解
x_min, f_min = gradient_descent(multi_obj, gradient, x0, lr, eps)
print("Using gradient descent:")
print("x_min = ", x_min)
print("f_min = ", f_min)

# 使用BB方法求解
x_min, f_min = BB_method(multi_obj, x0, eps)
print("Using BB method:")
print("x_min = ", x_min)
print("f_min = ", f_min)

在上述代码中，我们定义了一个三元多元函数multi_obj，并分别使用了梯度下降法和BB方法求解其最小值。梯度下降法的实现函数是gradient_descent，其中f是要求解的函数，df是f的梯度，x0是初始点，lr是学习率，eps是收敛精度。BB方法的实现函数是BB_method，其中f是要求解的函数，x0是初始点，eps是收敛精度。最后输出的结果是x_min和f_min，分别表示函数的最小值和最小值对应的x坐标。