如何使用多个数组优化函数?

给定数组 a , b c :

import numpy as np

a = np.array([100, 200, 300])
b = np.array([[1, 0, 0],
              [1, 0, 1],
              [0, 1, 1],
              [1, 1, 1]])
c = np.array([150, 300, 500, 650])

使每一个值使中定义的绝对差之和最小化 c_prime .

c_prime = c - np.sum(a*b, axis=1)
print(c_prime)
print(np.abs(c_prime).sum())

[  50 -100    0   50]
200

手动。。。通过更改 一 c\素数 开始达到预期的结果。

a = np.array([150, 200, 300])

c_prime = c - np.sum(a*b, axis=1)
print(c_prime)
print(np.abs(c_prime).sum())

[   0 -150    0    0]
150

现在,我的问题,尴尬的是,我如何才能达到预期的结果? 我试过了 scipy.optimize.minimize ,但很明显,这段代码漏掉了标记,函数在概念上可能完全不正确。

def f(x, b, c):
    return np.abs(c - np.sum(x*b, axis=1)).sum()

x0 = a
minimize(f, x0, args=(b,c))

      fun: 200.0
 hess_inv: array([[1, 0, 0],
       [0, 1, 0],
       [0, 0, 1]])
      jac: array([-1.,  0.,  1.])
  message: 'Desired error not necessarily achieved due to precision loss.'
     nfev: 327
      nit: 0
     njev: 63
   status: 2
  success: False
        x: array([100., 200., 300.])

考虑到手动设置的改进结果 a[0] 到 150 x