如何向Scipy Optimize传递常量与变量？模型拟合问题咨询

我来帮你梳理下代码里的参数传递问题，以及不同优化工具的适用场景：

一、修正参数传递，让代码正常运行 #

你的核心问题是没区分好常量和待优化变量，导致函数参数传递混乱。我们一步步调整：

1. 重构CCER函数 #

让它只接收需要优化的fc和alpha，固定的einf、ezero、f_exp直接在函数内引用（也可以作为默认参数传入，更严谨），同时用numpy数组操作替代列表推导，效率更高：

import numpy as np
import math
from scipy.optimize import curve_fit, least_squares, minimize

# 实验数据与常量定义
f_exp = np.array([1, 1.6, 2.7, 4.4, 7.3, 12, 20, 32, 56, 88, 144, 250000])
e_exp = np.array([7.15, 7.30, 7.20, 7.25, 7.26, 7.28, 7.32, 7.25, 7.35, 7.34, 7.37, 13.55])
ezero = np.min(e_exp)
einf = np.max(e_exp)
# 初始猜测值
ig_fc = 500
ig_alpha = 0.35

def CCER(fc, alpha):
    x = np.log(f_exp / fc)
    sinh_term = np.sinh((1 - alpha) * x)
    cosh_sin_term = np.cosh((1 - alpha) * x) + np.sin(0.5 * alpha * math.pi)
    eR = ezero + 0.5 * (einf - ezero) * (1 + sinh_term / cosh_sin_term)
    return eR

2. 适配不同优化工具的写法 #

针对minimize的目标函数

minimize需要接收待优化参数，返回残差平方和：

def func(params):
    fc, alpha = params
    eR_pred = CCER(fc, alpha)
    return np.sum((eR_pred - e_exp) ** 2)

# 执行优化
res = minimize(func, [ig_fc, ig_alpha], method='SLSQP')
print("minimize优化结果：\n", res)

更推荐的curve_fit写法

curve_fit是专门为曲线拟合设计的工具，使用更简洁，还能输出参数的协方差矩阵：

# 适配curve_fit的函数格式：第一个参数是自变量f_exp，后面是待优化参数
def CCER_curvefit(f, fc, alpha):
    x = np.log(f / fc)
    sinh_term = np.sinh((1 - alpha) * x)
    cosh_sin_term = np.cosh((1 - alpha) * x) + np.sin(0.5 * alpha * math.pi)
    eR = ezero + 0.5 * (einf - ezero) * (1 + sinh_term / cosh_sin_term)
    return eR

# 执行拟合，p0是初始猜测值
popt, pcov = curve_fit(CCER_curvefit, f_exp, e_exp, p0=[ig_fc, ig_alpha])
print("curve_fit优化后的参数：fc={:.2f}, alpha={:.4f}".format(popt[0], popt[1]))

灵活的least_squares写法

如果需要自定义残差计算或添加参数约束，least_squares是更好的选择：

def residuals(params):
    fc, alpha = params
    eR_pred = CCER(fc, alpha)
    return eR_pred - e_exp  # 返回残差数组，而非平方和

res_ls = least_squares(residuals, [ig_fc, ig_alpha])
print("least_squares优化结果：\n", res_ls)

二、优化算法选择建议 #

三种工具的适用场景各有不同：

• curve_fit：最适合你的场景，封装程度高，使用简单，专门针对“给定x-y数据拟合模型参数”的需求，还能直接给出参数的不确定性（协方差矩阵），优先选用。
• least_squares：比curve_fit更灵活，支持参数约束、权重设置，适合处理大型残差问题或需要自定义残差逻辑的场景。
• minimize：是通用优化器，适合复杂的非最小二乘目标函数，对于你的拟合需求，它的效率和精度不如前两个专门工具，不优先推荐。

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