使用sp.optimize.minimize时目标函数与雅可比矩阵的参数适配问题

这确实是scipy.optimize.minimize里一个常见的小细节坑——它默认会把args参数中的所有值同时传递给目标函数和雅可比函数，不管后者是否需要这些参数。不过不用被迫修改雅可比函数去忽略无用参数，有几种更优雅的解决方案：

方案1：用Lambda函数包装雅可比，过滤多余参数 #

这是最简洁直观的方法，通过lambda函数接收minimize传递的所有参数，只把雅可比需要的部分传给原J函数：

import numpy as np
from scipy import optimize

def f(x, y, z):
    return x**2 + x*y**3 + z

def J(x, y):
    return 2*x + y**3

x0, y, z = 0, 1, 4

# Lambda接收x和args里的所有参数，只将x和y传给J
result = optimize.minimize(
    f, 
    x0, 
    args=(y, z), 
    jac=lambda x, *args: J(x, args[0])  # args[0]就是传入的y，忽略args[1]的z
)

print(result)

这里的*args会捕获minimize传递的y和z，我们只取第一个元素（也就是y）传给J，完美匹配原函数的参数要求。

方案2：用functools.partial封装雅可比函数 #

如果你觉得lambda的可读性不够，也可以用functools.partial来固定雅可比需要的参数，同时忽略多余的输入：

import numpy as np
from scipy import optimize
from functools import partial

def f(x, y, z):
    return x**2 + x*y**3 + z

def J(x, y):
    return 2*x + y**3

x0, y, z = 0, 1, 4

# 先定义一个包装函数，接收所有参数但只使用需要的部分
def wrapped_jac(x, y, *unused):
    return J(x, y)

# 用partial固定y参数，这样minimize传递的z会被*unused捕获并忽略
jac_func = partial(wrapped_jac, y=y)

result = optimize.minimize(f, x0, args=(y, z), jac=jac_func)

print(result)

为什么原代码会报错？ #

简单来说，minimize调用雅可比函数时的逻辑是：把优化变量x作为第一个参数，然后把args里的所有参数依次往后传。你的原代码中args=(y,z)，所以它会尝试调用J(x, y, z)，但J只定义了2个参数，自然就会抛出J() takes 2 positional arguments but 3 were given的错误。

这两种方案都不需要修改原目标函数f和雅可比函数J的定义，也不用在函数内部忽略无用参数，算是比较优雅的解决方式。

内容的提问来源于stack exchange，提问作者Marc de la Barrera i Bardalet