示例，使用牛顿法优化函数 f(x)x^2

def newton_method(f, grad_f, hessian_f, x, max_iter=1, tolerance=1e-8): x = x.copy() for i in range(max_iter): grad = grad_f(x) hess = hessian_f(x) # 计算搜索方向 d = -np.linalg.solve(hess, grad) # 更新迭代点 x = x + d # 检查收敛条件 if np.linalg.norm(grad) < tolerance: break # 检查迭代次数 if i >= max_iter - 1: break return x def f(x): return x**2 def grad_f(x): return 2 * x def hessian_f(x): return 2 # 运行牛顿方法 x = 3. result = newton_method(f, grad_f, hessian_f, x) print("结果:", result) 条件： 函数 f 和其导数 grad_f：牛顿方法需要函数 f 和其导数 grad_f,以便计算搜索方向。 Hessian 矩阵 hessian_f：牛顿方法需要函数 f 的二阶导数 Hessian,以便计算搜索方向。 说明： 初始点 x：牛顿方法的收敛性依赖于初始点的选择,通常选择一个合理的初始点是关键。 迭代次数 max_iter：设置迭代次数可以避免无限循环。 收敛条件：当梯度的范数小于某个小值时,认为达到收敛状态。 搜索方向：在每一步迭代中，计算梯度和 Hessian,然后求解线性方程组得到搜索方向。 如果你有具体的优化问题或需要特殊的搜索类型（如 Secant 方法或 BFGS），可以告诉我,我可以为你进一步优化代码。...

def newton_method(f, grad_f, hessian_f, x, max_iter=1, tolerance=1e-8):
    x = x.copy()
    for i in range(max_iter):
        grad = grad_f(x)
        hess = hessian_f(x)
        # 计算搜索方向
        d = -np.linalg.solve(hess, grad)
        # 更新迭代点
        x = x + d
        # 检查收敛条件
        if np.linalg.norm(grad) < tolerance:
            break
        # 检查迭代次数
        if i >= max_iter - 1:
            break
    return x
def f(x):
    return x**2
def grad_f(x):
    return 2 * x
def hessian_f(x):
    return 2
# 运行牛顿方法
x = 3.
result = newton_method(f, grad_f, hessian_f, x)
print("结果:", result)