在scipy.optimize.minimize回调中如何无冗余获取目标函数值？

问题原因 #

你遇到的AttributeError是因为BFGS优化器的实际实现里，传入回调的OptimizeResult对象并没有填充fun属性——虽然文档说明多数方法支持该签名，但不同优化器的回调参数细节存在差异，BFGS并未在中间结果中存储当前目标函数值。

无冗余计算的解决方案 #

不需要通过重新计算目标函数值来获取结果，我们可以通过共享状态的方式，在计算目标函数的同时保存当前值，让回调直接读取缓存的值。

方法1：用闭包封装目标函数

直接在目标函数中添加一个属性来记录最新的目标函数值，回调函数直接读取这个属性：

from scipy.optimize import minimize

def objective(x):
    fun_val = x[0]**2 + x[1]**2  # 替换成你的实际目标函数
    objective.last_fun = fun_val
    return fun_val

def callback(xk):
    print(f"当前迭代目标函数值: {objective.last_fun}")

# 初始化目标函数的记录属性
objective.last_fun = None

x0 = [1.0, 2.0]
result = minimize(objective, x0, method='BFGS', callback=callback)

方法2：用类封装状态（更适合复杂场景）

如果你的优化逻辑涉及更多状态需要跟踪，用类来封装目标函数和回调会更清晰：

from scipy.optimize import minimize

class OptimizerTracker:
    def __init__(self):
        self.last_fun = None
    
    def objective(self, x):
        self.last_fun = x[0]**2 + x[1]**2  # 替换成你的实际目标函数
        return self.last_fun
    
    def callback(self, xk):
        print(f"当前迭代目标函数值: {self.last_fun}")

tracker = OptimizerTracker()
x0 = [1.0, 2.0]
result = minimize(tracker.objective, x0, method='BFGS', callback=tracker.callback)

原理说明 #

这两种方法都是利用Python的作用域特性，在每次计算目标函数时就把结果缓存起来，回调函数直接读取缓存值，完全避免了冗余计算，效率和原优化过程一致。

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