如何向Nonconvex.jl的目标函数传递额外参数？

Nonconvex.jl要求目标函数仅接收优化变量作为输入，但可以通过闭包（Closure）或结构体封装的方式传递额外参数（比如你的实测值），以下是两种常用实现方式：

方法一：闭包捕获外部变量（推荐） #

利用Julia的闭包特性，将实测值作为外部变量直接捕获，目标函数仅暴露优化变量作为输入，完全符合Nonconvex的要求：

using Nonconvex

# 1. 准备你的实测数据
measured_data = [1.2, 3.5, 4.1, 2.8]

# 2. 定义你的模型计算逻辑（输入优化参数+实测数据，返回模型预测值）
function compute_model(x, measured)
    # 这里替换为你的实际模型代码，示例用简单线性模型
    return [x[1] * idx + x[2] for idx in 1:length(measured)]
end

# 3. 用闭包包装目标函数，自动捕获measured_data
function objective(x)
    predicted = compute_model(x, measured_data)
    # 计算RMS差值的平方（最小化该值等价于最小化RMS）
    return sum((predicted .- measured_data).^2) / length(measured_data)
end

# 4. 按Nonconvex流程定义优化问题并求解
x0 = [1.0, 0.0]  # 初始解
lb = [0.0, -5.0] # 变量下界
ub = [5.0, 5.0]  # 变量上界

problem = NonconvexProblem(objective, lb, ub, x0)
result = optimize(problem, IpoptAlg()) # 选择合适的优化器

方法二：结构体封装参数 #

如果需要传递多个复杂参数，可以用结构体统一封装，再通过闭包绑定到目标函数：

using Nonconvex

# 1. 定义结构体封装所有额外参数
struct OptimizationParams
    measured::Vector{Float64}
    # 可以添加其他参数，比如模型超参数、权重等
end

# 2. 准备参数实例
params = OptimizationParams([1.2, 3.5, 4.1, 2.8])

# 3. 定义带参数的目标函数逻辑
function objective_with_params(params::OptimizationParams, x)
    predicted = [x[1] * idx + x[2] for idx in 1:length(params.measured)]
    return sum((predicted .- params.measured).^2) / length(params.measured)
end

# 4. 用闭包绑定参数，生成仅接收x的目标函数
objective(x) = objective_with_params(params, x)

# 5. 后续优化流程与方法一一致
x0 = [1.0, 0.0]
lb = [0.0, -5.0]
ub = [5.0, 5.0]

problem = NonconvexProblem(objective, lb, ub, x0)
result = optimize(problem, IpoptAlg())

关键说明 #

Nonconvex.jl本身没有提供类似scipy的args参数，但Julia的函数式编程特性（闭包）可以完美实现相同效果，且代码更简洁直观。两种方法都能保证目标函数的输入仅为优化变量，符合库的要求。

内容的提问来源于stack exchange，提问作者tuckdales