如何在Python的scipy.optimize.minimize中实现R optim的parscale功能

用户在将R语言中使用stats::optim（配置了parscale参数）的优化代码转换为Python的scipy.optimize.minimize时，遇到了优化结果显著差异的问题。已知R与Python版本的目标函数myFun输出一致，仅优化结果不同，核心疑问是如何在Python中实现parscale的功能，以及该参数的重要性。

R原代码：

optim(par = params, fun = myFun, method = "Nelder-Mead", x, y, z,..., 
      control = list(maxit = 10000, parscale = par.scale))

Python当前代码：

minimize(myFun, params, arg=(x,y,z...), method = 'Nelder-Mead', tol=1e-10, options={'maxiter':10000})

Scipy的minimize没有直接对应parscale的参数，但可以通过手动缩放参数空间完全复现R的逻辑：R的parscale本质是让优化过程在par / parscale的缩放参数空间中进行，最终再映射回原参数空间。具体实现分两步：

1. 包装目标函数，将缩放后的参数转换回原尺度再计算损失

def scaled_myFun(scaled_params, par_scale, *args):
    # 把缩放后的参数还原为原尺度
    original_params = scaled_params * par_scale
    return myFun(original_params, *args)

2. 对初始参数做缩放后传入minimize，最后将优化结果映射回原尺度

# 对初始参数做缩放
scaled_init = params / par_scale

# 调用minimize，把缩放向量作为额外参数传入
opt_result = minimize(
    scaled_myFun,
    x0=scaled_init,
    args=(par_scale, x, y, z, ...),  # 原目标函数的参数+缩放向量
    method='Nelder-Mead',
    tol=1e-10,
    options={'maxiter': 10000}
)

# 将优化后的缩放参数还原为原尺度
optimized_params = opt_result.x * par_scale

该参数非常重要，尤其是当待优化参数的量级差异较大时：

• Nelder-Mead这类无梯度优化算法对参数尺度极度敏感，如果参数间量级悬殊（比如一个参数范围是1e6，另一个是1e-3），算法会优先调整量级大的参数，忽略小量级参数的优化，导致收敛到局部最优或无法找到合理解。
• 你遇到的R与Python结果差异，核心原因就是R通过parscale统一了参数空间的尺度，让算法在均衡的空间中搜索，而Python未做缩放，优化过程的搜索逻辑完全不同。

通常parscale的取值可以设为初始参数的绝对值或对应量级，确保缩放后的参数都集中在1左右，让优化过程更稳定。

内容的提问来源于stack exchange，提问作者MarianaMG2205