使用SciPy Minimize报错：缺少必选参数‘labour’的问题求助

问题根源 #

SciPy的optimize.minimize要求目标函数接收单个一维数组参数，数组内包含所有优化变量。你定义的current_optimization_f是接收两个独立的位置参数next_capital和labour，但minimize会把初始猜测[2,0.2]作为一个整体数组传入，导致函数只拿到第一个参数（整个数组），自然提示缺少第二个参数labour。

手动调用current_optimization_f(2, 0.3)正常，是因为你手动传入了两个独立参数，和minimize的调用逻辑完全不同。

解决方案 #

把目标函数改成接收单个数组参数，内部拆分成所需变量，两种简洁写法：

写法1：索引拆分数组 #

current_optimization_f = lambda x: -optimization_f(3, x[0], x[1], initial_value)

x是minimize传入的数组，x[0]对应next_capital，x[1]对应labour。

写法2：参数解包（更通用） #

利用Python解包语法，适配任意数量的优化变量：

current_optimization_f = lambda x: -optimization_f(3, *x, initial_value)

修改后完整可运行代码 #

import numpy as np
from scipy import optimize

alpha = 0.4
gamma = 0.4
delta = 0.05
beta = 0.95

production_f = lambda capital, labour : (capital** alpha) * (labour ** (1-alpha))
utility_f_uni = lambda consumption, labour : np.log(consumption) + gamma * np.log(1-labour) if (consumption > 0 and labour > 0 and labour < 1) else -5000
law_of_motion_f = lambda current_capital, next_capital, labour : production_f(current_capital, labour) - next_capital + (1-delta) * current_capital
utility_f_multi = lambda current_capital, next_capital, labour : utility_f_uni(law_of_motion_f(current_capital, next_capital, labour), labour)

optimization_f = lambda current_capital, next_capital, labour, value_f: utility_f_multi(current_capital, next_capital, labour) + beta * value_f(next_capital)

max_capital = lambda capital : production_f(capital, 1) + (1 - delta) * capital

initial_value = lambda x : 0
# 修改后的目标函数
current_optimization_f = lambda x: -optimization_f(3, *x, initial_value)

# 调用minimize
optimized_problem = optimize.minimize(current_optimization_f, [2,0.2])
print(optimized_problem)

额外提示 #

如果需要约束优化变量的取值范围（比如labour必须在(0,1)之间，next_capital非负），可以传入bounds参数避免函数触发定义域外的异常：

bounds = [(0, None), (1e-8, 1-1e-8)]  # 给边界加微小偏移，避免log(0)或log(1)报错
optimized_problem = optimize.minimize(current_optimization_f, [2,0.2], bounds=bounds)

内容的提问来源于stack exchange，提问作者JPR