使用scipy.optimize.minimize求函数最大值时遇TypeError错误求助

核心问题 #

scipy.optimize.minimize要求目标函数必须接受单个一维数组作为输入参数，但你的Lf函数定义为接收三个独立参数u, sigma, pi。当minimize执行时，会把你传入的初始值(u_init, sigma_init, pi_init)打包成一个元组传给Lf，但Lf期望三个参数，因此触发TypeError。

修复步骤 #

1. 重构目标函数：将Lf修改为接受单个参数数组，在函数内部拆分出u, sigma, pi
2. 合并初始参数：把三个初始数组合并成一个一维数组
3. 添加合理约束（可选但推荐）：由于sigma必须为正，pi的两个分量需满足和为1且取值在(0,1)之间，添加边界与约束保证优化合理性

修改后完整代码 #

import pandas as pd
import numpy as np
import scipy.optimize as opt

price = pd.read_csv(r'C:\Users\mypath\price.csv', index_col=[0,1], usecols=[0,5,6])
yt = price.loc['AUS']
yt = yt.pct_change().dropna().values

def p(u, sigma, pi):
    d = pi / (2*np.pi*sigma)**0.5 * np.exp(-(yt-u)**2 / (2*sigma**2))
    return d

def Lf(params):
    # 从参数数组中拆分出u、sigma、pi
    u = params[:2]
    sigma = params[2:4]
    pi = params[4:6]
    
    prob = p(u[0], sigma[0], pi[0]) + p(u[1], sigma[1], pi[1])
    L = np.sum(-np.log(prob))
    return L

# 合并初始参数为一维数组
u_init = (0.1, 0.1)
sigma_init = (0.1, 0.1)
pi_init = (0.5, 0.5)
initial_params = np.concatenate([u_init, sigma_init, pi_init])

# 设置边界：sigma>0，pi∈(0,1)
bounds = [(-np.inf, np.inf)]*2 + [(1e-8, np.inf)]*2 + [(1e-8, 1-1e-8)]*2
# 设置约束：两个pi分量和为1
constraints = ({'type': 'eq', 'fun': lambda x: x[4] + x[5] - 1})

# 执行优化
res = opt.minimize(Lf, initial_params, method='L-BFGS-B', bounds=bounds, constraints=constraints)

补充说明 #

你单独调用Lf(u_init, sigma_init, pi_init)能正常运行，是因为这种调用方式完全符合函数定义的参数要求；但minimize的调用逻辑是将所有优化参数打包成一个数组传入目标函数，这是优化器的统一要求。

内容的提问来源于stack exchange，提问作者matteo611