如何在scipy.optimize.newton的每次迭代中更新非优化参数

方法1：用可变容器传递ap #

Python里不可变类型（比如数值）作为参数传递时，函数内的修改不会影响外部变量，但可变容器（比如列表）是引用传递，修改内部元素会同步到外部。你可以把ap包装在列表里，这样每次迭代时函数内更新列表元素，外部的ap状态就会跟着变。

示例代码：

from scipy.optimize import newton

def func(a, ap_container, etc):
    # 执行你的计算逻辑
    a_1 = some_calculation(a, ap_container[0], etc)
    ap_1 = another_calculation(a, ap_container[0], etc)
    # 更新ap的容器元素
    ap_container[0] = ap_1
    # 返回牛顿法需要的残差
    return a - a_1

# 初始化ap，用列表包装
initial_ap = 1.0
ap_container = [initial_ap]
initial_a = 0.5
etc_params = ...  # 你的其他参数

# 调用牛顿法
root = newton(func, initial_a, args=(ap_container, etc_params))

# 迭代结束后，ap_container[0]就是最后更新的ap值
final_ap = ap_container[0]

方法2：用类封装状态 #

如果你的计算逻辑比较复杂，用类来封装ap的状态会更清晰，把ap作为实例属性，每次调用类的方法时直接更新这个属性。

示例代码：

from scipy.optimize import newton

class Calculator:
    def __init__(self, initial_ap, etc_params):
        self.ap = initial_ap
        self.etc = etc_params
    
    def func(self, a):
        # 执行计算
        a_1 = some_calculation(a, self.ap, self.etc)
        ap_1 = another_calculation(a, self.ap, self.etc)
        # 更新实例的ap属性
        self.ap = ap_1
        return a - a_1

# 初始化实例
initial_ap = 1.0
etc_params = ...
calc = Calculator(initial_ap, etc_params)

# 调用牛顿法，把类的方法作为目标函数
root = newton(calc.func, initial_a)

# 迭代结束后，calc.ap就是最终的ap值
final_ap = calc.ap

关于全局变量失效的说明 #

你之前用全局变量没生效，大概率是因为函数内没有用global关键字声明要修改全局变量，或者在函数内重新赋值了ap（相当于创建了局部变量）。比如如果函数里写ap = ap_1却没加global ap，那修改的是局部变量，不会影响全局的ap。但即使能用全局变量，也不推荐，因为会让代码耦合度高，可变容器或类的方式更优雅。

内容的提问来源于stack exchange，提问作者Jackson_Hardin_617