Julia共轭梯度代码报错MethodError: Vector{Float64}不可调用求解

• 核心原因就是你传入的f参数不是可调用的函数类型，和你的猜测一致。你在最后一行调用conjugate_gradients时，第一个参数写的是rosenbrock(x)，加了括号相当于直接执行rosenbrock函数得到了一个数值结果（你这里因为x是10维向量，所以返回的是Vector{Float64}类型），后续代码尝试把这个数值当函数调用f(x + α*d)、f(x)时自然就触发了类型错误。
• 附带还有几处隐藏错误也会导致后续运行失败：
  1. 梯度计算方式错误：如果rosenbrock是多变量函数，你用derivative只能计算单变量导数，多变量场景需要用gradient方法。
  2. 初始点维度不匹配：你定义的测试x是10维向量，但调用conjugate_gradients时传入的初始点x0是-5.0标量，维度和梯度函数的输入要求不匹配。
  3. 缺少依赖实现：代码中用到的minimize函数、DescentMethod父类如果你没有提前定义或者导入对应库，也会触发未定义错误。
  4. 结构体初始化参数错误：你初始化ConjugateGradientDescent时传入的d=0.01、g是导函数，但init!方法会直接覆盖这两个字段，属于逻辑冗余，不会直接触发报错。

1. 首先修正函数调用参数，把rosenbrock(x)改成rosenbrock，直接传入函数本身不要加括号执行
2. 修正梯度计算和初始点维度，示例修复后的调用代码如下：

# 导入自动微分库计算梯度，也可以用你自己实现的梯度方法
using ForwardDiff
# 10维初始点，全部初始化为-5.0
x0 = fill(-5.0, 10)
# 多变量用gradient计算梯度
g(x) = ForwardDiff.gradient(rosenbrock, x)
# 第一个参数传函数本身，不要加()
x_final, f_final, iter = conjugate_gradients(rosenbrock, g, x0)

3. 提前实现/导入缺失的依赖：比如实现黄金分割搜索作为minimize方法，或者导入Optim等优化库的对应方法；如果没有定义DescentMethod父类，可以把结构体定义改成mutable struct ConjugateGradientDescent去掉继承声明即可运行。

内容的提问来源于stack exchange，提问作者Satyaban Sahoo