python 规划最优求解

我正在用python进行规划求解，本人愚钝能力实在有限，无法利用官方发布的使用文档，请为我提供一个简单的代码，谢谢，请不要使用一些复杂的代码，本人lambda函数都不大会用，如果一定要使用请详细说明步骤
要求：使用scipy库进行最优求解即可
数据已经上传：
题目：e=r_jsvalue-x1*r_lg+x2*r_lv+x3*r_mg+x4*r_mv+x5*r_sg+x6*r_sv+x7*rbond
      约束条件：x1+x2+x3+x4+x5+x6+x7=1
                且x1>0,x2>0,x3>0,x4>0,x5>0,x6>0,x7>0
       求使var（e）最小的x组合
如果用stata的解决的话也行，谢谢各位

代码可以直接用

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

#提取数据
data=pd.read_excel('p.xls')
r_jsvalue = data.iloc[1:,2]
r_lg = data.iloc[1:,4]
r_lv = data.iloc[1:,6]
r_mg = data.iloc[1:,8]
r_mv = data.iloc[1:,10]
r_sg = data.iloc[1:,12]
r_sv = data.iloc[1:,14]
rbond = data.iloc[1:,16]


#目标函数
def objective(x):
    e = x[0]*r_lg + x[1]*r_lv + x[2]*r_mg + x[3]*r_mv + x[4]*r_sg + x[5]*r_sv + x[6]*rbond
    e_var = np.var(e)
    return e_var

def constraint(x):
    return x[0]+x[1]+x[2]+x[3]+x[4]+x[5]+x[6]-1


#边界约束
b = (0.0, None)  ##即决策变量的取值范围为大于等于0
bnds = (b, b, b, b, b, b, b)

con1 = {'type':'eq','fun':constraint}

cons = ([con1])
x0 = np.array([0, 0, 0, 0, 0, 0, 0])   #定义初始值

solution = minimize(objective, x0, method='SLSQP',  bounds=bnds, constraints=cons)
x = solution.x

print('目标值: ' + str(objective(x)))
print('结果 ' ,solution.success)
print('x1 = ' + str(x[0]))
print('x2 = ' + str(x[1]))
print('x3 = ' + str(x[2]))
print('x4 = ' + str(x[3]))
print('x5 = ' + str(x[4]))
print('x6 = ' + str(x[5]))
print('x7 = ' + str(x[6]))

excel我会用，但是我想用python和stata解决

不知道对不对，python的话可能只会得到局部最优解，得看初始值，代码如下：
import pandas as pd
import numpy as np
from scipy.optimize import minimize

#提取数据
data=pd.read_excel('p.xls')
r_jsvalue = data.iloc[1:,2]
r_lg = data.iloc[1:,4]
r_lv = data.iloc[1:,6]
r_mg = data.iloc[1:,8]
r_mv = data.iloc[1:,10]
r_sg = data.iloc[1:,12]
r_sv = data.iloc[1:,14]
rbond = data.iloc[1:,16]


#目标函数
def objective(x):
    e = x[0]*r_lg + x[1]*r_lv + x[2]*r_mg + x[3]*r_mv + x[4]*r_sg + x[5]*r_sv + x[6]*rbond
    e_var = np.var(e)
    return e_var

def constraint(x):
    return x[0]+x[1]+x[2]+x[3]+x[4]+x[5]+x[6]-1


#边界约束
b = (0.0, None)  ##即决策变量的取值范围为大于等于0
bnds = (b, b, b, b, b, b, b)

con1 = {'type':'eq','fun':constraint}

cons = ([con1])
x0 = np.array([0, 0, 0, 0, 0, 0, 0])   #定义初始值

solution = minimize(objective, x0, method='SLSQP',  bounds=bnds, constraints=cons)
x = solution.x

print('目标值: ' + str(objective(x)))
print('结果 ' ,solution.success)
print('x1 = ' + str(x[0]))
print('x2 = ' + str(x[1]))
print('x3 = ' + str(x[2]))
print('x4 = ' + str(x[3]))
print('x5 = ' + str(x[4]))
print('x6 = ' + str(x[5]))
print('x7 = ' + str(x[6]))

结果：
x1 = 0.14285714285711149
x2 = 0.14285714285740694
x3 = 0.14285714285645784
x4 = 0.14285714285641232
x5 = 0.14285714285604822
x6 = 0.14285714285606066
x7 = 0.14285714286050216

岁馀。 发表于 2020-10-11 16:13
代码可以直接用

import pandas as pd

谢谢，请问这个得到的是局部最优解嘛？我也用了python得到的是局部最优解，初始设置会影响结果

曾宇轩1997 发表于 2020-10-13 21:14
谢谢，请问这个得到的是局部最优解嘛？我也用了python得到的是局部最优解，初始设置会影响结果

我也不知道是不是局部最优，要全局最优的话我也没什么办法，一般局部最优就可以了，或者用遗传算法试试，不过就把问题复杂化了。

岁馀。 发表于 2020-10-23 09:40
我也不知道是不是局部最优，要全局最优的话我也没什么办法，一般局部最优就可以了，或者用遗传算法试试， ...

行吧，谢谢您的解释