使用scipy.optimize.minimize优化参数时遇TypeError问题求助

核心错误原因 #

你遇到的TypeError: 'numpy.ndarray' object is not callable是因为：

• scipy.optimize.minimize的第一个参数必须是可调用的目标函数，但你传的是func(x, a, b, d, e, f)——这已经是调用func后得到的numpy数组，不是函数本身，自然无法被调用。
• 你的func是用来计算预测y值的，而minimize需要的是一个返回标量损失值（比如预测值与真实值的误差平方和）的目标函数，两者结构不匹配。

另外你怀疑的guess=np.zeros(5)写法没问题，这不是报错原因。

修正方案 #

1. 重新定义目标损失函数 #

构造一个以待优化参数为输入，返回误差标量的函数，比如计算预测值和真实值的平方和：

def loss_func(params, x_data, y_true):
    a, b, d, e, f = params
    # 调用原func计算预测y值
    y_pred = func(x_data, a, b, d, e, f)
    # 返回误差平方和作为损失（也可以用均方误差）
    return np.sum((y_pred - y_true)**2)

2. 修正minimize的调用方式 #

把目标函数（不是调用结果）传给minimize，同时正确传递额外参数：

def main():
    # ... 你的数据读取和处理代码 ...
    
    guess = np.zeros(5)
    guess[0] = 0.5376315     # a
    guess[1] = 5.96413985    # b
    guess[2] = 0.17739102    # d
    guess[3] = 5.95233689    # e
    guess[4] = -8.88116461   # f
    
    # 调用minimize，第一个参数是损失函数，x0是初始猜测，args传额外的x和y数据
    res = minimize(loss_func, guess, args=(x3data, y3data), method='nelder-mead')
    
    # 查看优化结果
    print("优化后的参数：", res.x)
    print("最小损失值：", res.fun)

3. 其他冗余代码清理 #

你全局定义的delx=np.zeros(1)和dely=np.zeros(1)在func里会被重新赋值，完全没用，可以删掉。

完整修正后的代码示例 #

import matplotlib.pyplot as pyplot
import numpy as np
from scipy.optimize import curve_fit
from scipy.optimize import minimize
   
def func(x, a, b, d, e, f):
    delx = np.cos(a*x + b) + d*np.cos(e*x + f)     # d = r/R
    dely = np.sin(a*x + b) + d*np.sin(e*x + f)
    rad = np.sqrt(delx*delx + dely*dely)
    y = np.arccos(delx/rad)
    ysign1 = np.sign(dely)
    ysign2 = (1. - ysign1)/2.
    y = ysign2*2.*np.pi + ysign1*y
    y = y*180./np.pi
    return y

def loss_func(params, x_data, y_true):
    a, b, d, e, f = params
    y_pred = func(x_data, a, b, d, e, f)
    return np.sum((y_pred - y_true)**2)

def main():
    # 替换成你的数据读取和处理逻辑
    # 这里模拟示例数据，实际使用时替换成你的x3data和y3data
    x3data = np.linspace(0, 10, 100)
    y3data = func(x3data, 0.5, 6.0, 0.2, 6.0, -9.0) + np.random.normal(0, 0.5, size=len(x3data))
    
    guess = np.zeros(5)
    guess[0] = 0.5376315     # a
    guess[1] = 5.96413985    # b
    guess[2] = 0.17739102    # d
    guess[3] = 5.95233689    # e
    guess[4] = -8.88116461   # f
    
    res = minimize(loss_func, guess, args=(x3data, y3data), method='nelder-mead')
    
    print("优化结果：")
    print(f"a={res.x[0]:.8f}, b={res.x[1]:.8f}, d={res.x[2]:.8f}, e={res.x[3]:.8f}, f={res.x[4]:.8f}")
    print(f"最小损失：{res.fun:.4f}")

if __name__ == "__main__":
    main()

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