使用 Python 优化商品引力子模型并计算最小值

import pandas as pd
import numpy as np
from scipy.optimize import minimize

# 读取 Excel 文件
data = pd.read_excel(r'D:\pythonProject3\会员信息\附件二：会员信息数据.xlsx')

# 获取商品 GPS 纬度和经度数据
product_latitude = data['商品GPS纬度']
product_longitude = data['商品GPS经度']

# 获取会员 GPS 纬度和经度数据
member_latitude = data['会员GPS纬度']
member_longitude = data['会员GPS经度']

# 获取预订任务限额数据
task_limit = data['预订任务限额']

# 获取商品价格数据
product_price = data['任务标价']

# 计算商品与会员之间的距离
distance = np.sqrt((product_latitude - member_latitude)**2 + (product_longitude - member_longitude)**2)

# 定义目标函数
def objective(x):
    k, n, m = x
    return np.sum(k * product_price * (task_limit**m) / (distance**n))

# 初始猜测值
x0 = [1, 1, 1]

# 最小化目标函数
res = minimize(objective, x0)

# 提取最小引力子和对应的常量值
min_y = res.fun
k, n, m = res.x

# 输出带常量的公式
formula = f'y = {k}*q1*({task_limit}^{m})/r^{n}'
print('带常量的公式：', formula)
print('最小 y 的值：', min_y)

代码说明：

1. 读取数据： 从 Excel 文件中读取商品和会员的信息，包括商品 GPS 坐标、会员 GPS 坐标、预订任务限额和商品价格。
2. 计算距离： 使用商品和会员的 GPS 坐标计算商品与会员之间的距离。
3. 定义目标函数： 定义一个目标函数，用于计算商品引力子。目标函数使用商品价格 (q1)、任务限额 (q2)、距离 (r) 和常量 (k, n, m) 计算引力子 (y)。
4. 最小化目标函数： 使用 scipy.optimize.minimize 函数最小化目标函数，以寻找使引力子最小化的常量值 (k, n, m)。
5. 输出结果： 输出最小引力子 (y) 和带常量的公式。

代码中使用 minimize 函数进行优化，通过调整常量值 (k, n, m) 来最小化商品引力子，从而找到最佳的模型参数。最终输出的公式和最小引力子值可以用于评估商品对会员的吸引力。