Optim.jl中含额外参数的解析梯度!函数适配MLE优化问题

错误原因 #

你遇到的MethodError核心原因是Optim.jl要求梯度函数的签名必须为g!(G, x)，其中x是完整的优化参数向量（比如你场景中的[ω, λ]）。但你定义的g_RPM_Data!将参数拆成了两个独立的Real类型，和Optim调用时传入的向量类型不匹配，导致方法无法匹配。

修复方案（保留内存优化） #

直接调整g_RPM_Data!的函数签名，让它接收向量形式的优化参数，解构出ω和λ后再调用原梯度函数，同时保留原地修改G的内存优化特性：

function g_RPM_Data!(G, x::Vector)
    ω, λ = x  # 从优化参数向量中解构出ω和λ
    g_RPM!(G, ω, λ, Data, ω⃰)  # 调用原梯度函数，原地修改G
end

验证优化代码 #

修改后，你的优化代码可以正常执行，因为g_RPM_Data!完全符合Optim要求的梯度函数签名：

opt_RPM_LBFGS_analytical = optimize(
    x->-loglikelihood_RPM_Gumbel(x[1], x[2], Data, ω⃰),
    g_RPM_Data!,
    ones(2),
    LBFGS()
)

可选简化方案（匿名函数） #

如果不想单独定义g_RPM_Data!，也可以直接用匿名函数适配签名（性能损失可忽略，适合快速调试）：

opt_RPM_LBFGS_analytical = optimize(
    x->-loglikelihood_RPM_Gumbel(x[1], x[2], Data, ω⃰),
    (G, x) -> g_RPM!(G, x[1], x[2], Data, ω⃰),
    ones(2),
    LBFGS()
)

内容的提问来源于stack exchange，提问作者user23329063