使用SciML优化Lotka-Volterra模型时，优化函数非标量输出报错如何解决？

错误原因 #

你的loss函数返回了元组(损失值, sol)，但AutoZygote自动微分工具要求损失函数的输出仅为标量损失值——它会尝试对整个返回值求导，而sol是数组类型，无法计算其梯度，因此触发报错。

解决方案 #

推荐两种可行的修正方式，根据你的需求选择：

方式一：Loss仅返回标量，回调中重新求解sol（逻辑最稳妥） #

将loss函数简化为只返回标量损失，在回调函数中通过当前参数重新求解ODE得到sol用于绘图。虽然会多一次ODE求解，但逻辑清晰，避免AD冲突。

修改后的关键代码：

# 简化loss函数，仅返回标量损失
function loss(p)
    sol = solve(prob, Tsit5(), p=p, saveat = tsteps)
    return sum(abs2, sol .- 1)
end

# 调整回调函数，自行求解sol
function callback(p, l)
    sol = solve(prob, Tsit5(), p=p, saveat = tsteps)
    push!(parameters, p.u)
    display(l)
    plt = plot(sol, ylim = (0, 6))
    display(plt)
    return l <= 0.0135
end

# 后续Optimization定义保持不变，注意回调参数不再有第三个值
adtype = Optimization.AutoZygote()
optf = Optimization.OptimizationFunction((x, p) -> loss(x), adtype)
optprob = Optimization.OptimizationProblem(optf, p)
result_ode = Optimization.solve(optprob, PolyOpt(), callback = callback, maxiters = 600)

方式二：用Zygote.@ignore忽略sol的求导（效率更高） #

如果不想重复求解ODE，可以用Zygote.@ignore标记sol，让自动微分工具跳过对它的梯度计算，这样loss函数可以保留返回元组，回调也无需修改。

修改后的关键代码：

# 修改loss函数，用@ignore忽略sol的求导
function loss(p)
    sol = solve(prob, Tsit5(), p=p, saveat = tsteps)
    loss_val = sum(abs2, sol .- 1)
    return loss_val, Zygote.@ignore(sol)
end

# 回调函数保持原代码不变
function callback(p, l, pred)
    push!(parameters, p.u)
    display(l)
    plt = plot(pred, ylim = (0, 6))
    display(plt)
    return l <= 0.0135
end

# 后续代码保持不变
adtype = Optimization.AutoZygote()
optf = Optimization.OptimizationFunction((x, p) -> loss(x), adtype)
optprob = Optimization.OptimizationProblem(optf, p)
result_ode = Optimization.solve(optprob, PolyOpt(), callback = callback, maxiters = 600)

注意事项 #

• 你之前移除sol后报错，是因为原回调函数依赖第三个参数pred（即sol），此时需要同步调整回调函数的参数列表，方式一已经处理了这个问题。
• 方式二的Zygote.@ignore仅对Zygote有效，如果你后续更换其他AD工具（如ForwardDiff），需要改用对应工具的忽略方法。

内容的提问来源于stack exchange，提问作者AndyDufresne