与线性规划不同，非线性规划的目标函数和约束都不一定是线性的
因此最优解也不一定在可行域边界上，一般而言用迭代算法得到的也只是局部最优解
标准模型如下： \[
\min f(\vec x) \\
\text{s.t.}
\begin{cases}
g_i(\vec x) \geq 0,\ \ \ i=1,2,...,m, \\
h_i(\vec x) = 0,\ \ \ i=1,2,...,l,
\end{cases}
\] scipy.optimize.minimize可以解决非线性规划问题
用法：
minimize(fun,x0,bounds=None,constraints=None)
其中fun为目标函数，输入一个向量\(\vec x\)返回对应值
x0为迭代初值，决定是否能取到全局最优解
bounds与线性规划的linprog一样
constraints为约束条件，具体实现为单个dict或dict的序列，每个dict应有两个键值：
type：字符串'eq'和'ineq'之一，表示该约束为等号约束或不等号约束fun：函数，传入向量\(\vec x\)，返回约束式的左值，在可行解中该值大于等于0（不等号约束）/等于0（等号约束）特别地，若有一系列约束为线性约束，则可将一系列右值视为一个向量，利用
numpy.array重载的比较符号，将这些约束缩为一个，即
lambda x:b-A@x
