Rust如何将需修改self的objfn转为闭包传入使用FnMut的ga_optimizer函数

核心错误说明 #

你现有代码的调用写法存在两个明显问题：

1. &mut self.objfn() 是直接调用objfn方法的返回值（f64类型），而非传递函数本身，完全不匹配ga_optimizer的参数要求
2. objfn方法内部没有显式返回learn_error，块末尾加了分号会默认返回()，和声明的f64返回值冲突

可行实现方案 #

你定义的objfn成员方法本身签名就和ga_optimizer要求的FnMut签名完全匹配，只需要调整调用方式即可：

第一步：补全现有代码的缺失逻辑 #

首先补全Neuralnet的update_weights方法，同时修正objfn的返回值：

impl Neuralnet {
    // 补全update_weights方法，可根据实际业务调整逻辑
    pub fn update_weights(&mut self, new_weights: &Vec<f64>) {
        self.weights = new_weights.clone();
    }
}

impl Trainer {
    // 修正objfn的返回值写法
    fn objfn(&mut self, genome: &Vec<f64>) -> f64 {  
        self.neuralnet.update_weights(genome); 
        self.learning_error() // 去掉分号直接作为返回值
    }

    pub fn do_learning(&mut self) {    
        // 直接传Trainer的成员方法本身即可，不需要调用
        let final_learn_err = ga_optimizer(&mut self, &mut Trainer::objfn);        
    }
}

第二步：验证ga_optimizer内部调用逻辑 #

你需要确保ga_optimizer内部调用目标函数时，把第一个参数传入的trainer作为闭包的第一个入参：

pub fn ga_optimizer(
    trainer: &mut Trainer,
    fobj: &mut dyn for<'r, 's> FnMut(&'r mut Trainer, &'s Vec<f64>) -> f64
) -> f64 {
    // 示例调用逻辑，替换为你的遗传算法实现
    let sample_genome = vec![0.1, 0.2, 0.3];
    let err = fobj(trainer, &sample_genome);
    err
}

闭包实现方式 #

如果你需要额外逻辑封装，也可以手动构造符合要求的闭包传入，效果和直接传成员方法完全一致：

pub fn do_learning(&mut self) {    
    let mut obj_closure = |trainer: &mut Trainer, genome: &Vec<f64>| -> f64 {
        // 可以在这里添加额外的前置/后置逻辑
        trainer.objfn(genome)
    };
    let final_learn_err = ga_optimizer(&mut self, &mut obj_closure);        
}

替代方案说明 #

如果不想将Trainer的引用暴露给ga_optimizer，可以调整ga_optimizer的签名，让闭包直接捕获&mut self，通用性更强：

// 调整后的ga_optimizer签名，不需要单独传trainer
pub fn ga_optimizer(fobj: &mut dyn FnMut(&Vec<f64>) -> f64) -> f64 {
    // 内部实现不需要再传trainer
    let sample_genome = vec![0.1, 0.2, 0.3];
    fobj(&sample_genome)
}

// 对应的do_learning调用写法
pub fn do_learning(&mut self) {    
    let mut obj_closure = |genome: &Vec<f64>| -> f64 {
        self.objfn(genome)
    };
    let final_learn_err = ga_optimizer(&mut obj_closure);        
}

这种方案的优势是ga_optimizer不需要感知Trainer类型，只要目标函数符合&Vec<f64> -> f64的签名就可以调用。

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