Scipy非线性优化中如何避免重复计算并打印ALC等指标？

方法1：封装指标计算函数（推荐，无状态） #

把所有指标的计算逻辑抽成单独的辅助函数，目标函数和后续打印都调用这个函数，彻底消除重复代码：

import scipy.optimize as opt

def calculate_metrics(x):
    # 替换为你的实际业务计算逻辑
    alc = x[0] * 0.8 + x[1] * 0.5
    baseline = x[0] * 1.2 + x[1] * 0.7
    total_cost = alc + baseline  # 年度总成本作为优化目标
    return {
        'total_cost': total_cost,
        'ALC': alc,
        'baseline': baseline
    }

# 目标函数仅返回总成本，供minimize调用
def objective_function(x):
    return calculate_metrics(x)['total_cost']

# 执行优化
x0 = [10, 20]  # 初始猜测值
result = opt.minimize(objective_function, x0, method='SLSQP')

# 打印最优解对应的所有指标
optimal_metrics = calculate_metrics(result.x)
print(f"最优总成本: {optimal_metrics['total_cost']:.2f}")
print(f"对应的ALC: {optimal_metrics['ALC']:.2f}")
print(f"对应的baseline: {optimal_metrics['baseline']:.2f}")

优势：

• 所有计算逻辑仅需编写一次，后续新增指标（如abc_cost）只需在calculate_metrics中补充计算
• 目标函数与打印逻辑完全解耦，维护性强

方法2：用类封装状态（适合复杂业务场景） #

如果指标计算依赖大量全局参数或需要维护状态，可将逻辑封装到类中，把ALC、baseline作为实例属性存储：

import scipy.optimize as opt

class CostOptimizer:
    def __init__(self, param1, param2):
        # 初始化业务固定参数（如成本系数）
        self.param1 = param1
        self.param2 = param2
        # 存储计算后的指标
        self.alc = 0
        self.baseline = 0

    def objective_function(self, x):
        # 计算指标并存储到实例属性
        self.alc = x[0] * self.param1 + x[1] * 0.5
        self.baseline = x[0] * self.param2 + x[1] * 0.7
        total_cost = self.alc + self.baseline
        return total_cost

# 初始化优化器
optimizer = CostOptimizer(param1=0.8, param2=1.2)
x0 = [10, 20]
result = opt.minimize(optimizer.objective_function, x0, method='SLSQP')

# 直接访问实例属性获取指标
print(f"最优总成本: {result.fun:.2f}")
print(f"对应的ALC: {optimizer.alc:.2f}")
print(f"对应的baseline: {optimizer.baseline:.2f}")

注意：minimize最后一次调用目标函数时会更新实例属性，因此最终获取的指标是最优解对应的结果；但优化过程中属性会被多次覆盖，仅适合获取最终值。

为什么直接访问目标函数内的变量会报错？ #

目标函数内部的alc、baseline是局部变量，作用域仅限于函数内部，外部无法直接访问。虽然可以用global或nonlocal声明，但会引入全局状态，降低代码可读性与维护性，不推荐使用。

内容的提问来源于stack exchange，提问作者Anonym123321