非线性规划可以简单分两种，目标函数为凸函数or非凸函数
凸函数的非线性规划，比如,有很多常用库完成，比如cvxpy
非凸函数的非线性规划(求极值)，可以尝试以下方法:
纯数学方法，求导求极值
神经网络、深度学习(反向传播算法中链式求导过程)
scipy. optimize. minimize
scipy.optimize.minimize(fun,x,args=(),method=None,jac=None,hess=None,hessp=None,bounds= None,constaints=() , tol= None,Callback= None, options=None)fun:求最小值的目标函数args:常数值 constraints :约束条件 method:求极值方法，一 般默认。 xO:变量的初始猜测值，注意minimize是局部最优
计算/x + x 的最小值
from scipy.optimize import minimizeimport numpy as np def fun(args): a = args v = lambda x:a/x[] + x[] return v args = () x = np.asarray(()) res = minimize(fun(args), x, method=&#;SLSQP&#;) res
运行结果
计算的最小值，其中、、范围在. 到 . 之间
# 运行环境 Vs Code
from scipy.optimize import minimizeimport numpy as np
def fun(args):
a,b,c,d = args
v = lambda x: (a + x[]) / (b + x[]) - c * x[] + d * x[] return v
def con(args):
xmin,xmax,xmin,xmax,xmin,xmax = args
cons = ({&#;type&#;:&#;ineq&#;,&#;fun&#;:lambda x : x[] - xmin},
{&#;type&#;:&#;ineq&#;,&#;fun&#;:lambda x:-x[] + xmax},
{&#;type&#;:&#;ineq&#;,&#;fun&#;:lambda x:x[] - xmin},
{&#;type&#;:&#;ineq&#;,&#;fun&#;:lambda x:-x[] + xmax},
{&#;type&#;:&#;ineq&#;,&#;fun&#;:lambda x:x[] - xmin},
{&#;type&#;:&#;ineq&#;,&#;fun&#;:lambda x:-x[] + xmax}) return cons
args = (,,,)
args = (., .,., .,., .)
cons = con(args)
x = np.asarray((.,.,.))
res = minimize(fun(args), x, method=&#;SLSQP&#;,constraints=cons)
res.fun,res.success,res.x,res.status# 结果
(-., True, array([., ., .]), )学习来源：B站及其课堂PPT，对其中代码进行了复现
希望对您有所帮助，如有错误欢迎小伙伴指正～
