Julia嵌套优化：如何避免重复计算获取已求得的f2最优解

要避免重复计算对应最优y₁的x₁，核心思路是在计算外层目标函数f1的过程中，缓存每个y值对应的内层优化结果x₁，当外层找到最优y₁后，直接从缓存中读取对应的x₁即可。

以下是具体实现方案：

方案1：使用闭包封装缓存（推荐） #

这种方式避免全局变量，更符合Julia的模块化编程习惯：

using Optim

function build_nested_optim_functions()
    # 内部缓存字典，存储y到对应最优x的映射
    x_cache = Dict{Float64, Float64}()

    # 内层目标函数f2
    function f2(x::Float64, y::Float64) 
        return (x^2 - x - y)^2
    end

    # 外层目标函数f1，同时缓存x结果
    function f1(y::Float64) 
        inner_res = optimize(x -> f2(x, y), -10, 10)
        x_opt = inner_res.minimizer
        # 将当前y对应的最优x存入缓存
        x_cache[y] = x_opt
        return (y * x_opt - 0.5)^2
    end

    # 返回外层函数和缓存对象
    return f1, x_cache
end

# 获取f1和对应的缓存
f1, x_cache = build_nested_optim_functions()

# 执行外层优化
empty!(x_cache)  # 清空缓存避免残留数据
outer_res = optimize(f1, -10, 10)
y_opt = outer_res.minimizer

# 直接从缓存读取对应y_opt的x_opt，无需重复优化
x_opt = x_cache[y_opt]

方案2：使用全局缓存字典 #

如果不需要模块化，也可以直接用全局字典缓存：

using Optim

# 全局缓存字典
x_cache = Dict{Float64, Float64}()

function f2(x::Float64, y::Float64) 
    return (x^2 - x - y)^2
end

function f1(y::Float64) 
    inner_res = optimize(x -> f2(x, y), -10, 10)
    x_opt = inner_res.minimizer
    x_cache[y] = x_opt
    return (y * x_opt - 0.5)^2
end

# 执行外层优化
empty!(x_cache)
outer_res = optimize(y -> f1(y), -10, 10)
y_opt = outer_res.minimizer

# 直接读取缓存中的x_opt
x_opt = x_cache[y_opt]

注意事项 #

• 外层优化算法（如默认的Brent方法）在寻找最优解时，必然会评估f1(y_opt)，因此y_opt对应的x_opt一定会被存入缓存，无需担心缺失。
• 如果使用全局缓存，每次运行外层优化前建议调用empty!(x_cache)清空缓存，避免之前的计算残留影响结果。

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