（python）函数最小化，PyMC保留一个固定参数

大家好，所有PYTHON用户（尤其是PyMC用户）

问题：
我想使用MCMC执行函数最小化。我的函数L（恰好是a-logGaussian）有N个变量。我想在一个变量上循环并保持它固定，在剩余的N-1个自由变量上采样L。其目的是在其多维参数空间中沿一个特定方向构建L的“轮廓”。因此，am对N-1自由参数的后验分布不感兴趣，而是对N-1参数的样本和函数L的相应值感兴趣

我的实施（示意图-无MWE）：

我也试过了

J = Uniform('r', lower=15, upper=18, value=J_array, observed=True)
@deterministic
def L(J=J, a=a, b=b, c=c, r=r):
    return LL(J, a, b, c, r)
    
M = MCMC(L)

及

在所有情况下，

LL

都是一个类的实例，该类有一个

\uuuu调用\uuuu

方法，并且在所有情况下我都得到一个

TypeError: 'numpy.float64' object is not iterable

我对重复采样不感兴趣（因为我不关心后验概率）。
在

M=MCMC（loglike）

之后，我只想以马尔可夫方式为每个

J

抽取（比如）1000个变量值

a，b，c，r

，对L（J | a，b，c，r）进行采样。从中，我将提取最小L值及其相应的参数

更新 代码的正确形式为：

def model(J):
    a = Uniform('a', lower=0, upper=5)
    b = Uniform('b', lower=0, upper=5)
    c = Uniform('c', lower=0, upper=5)
    r = Uniform('r', lower=0, upper=5)
    
    @deterministic
    def loglike(J=J, a=a, b=b, c=c, r=r):
        return LL(a, b, J, r, c)
    
    return locals()
    
for J in J_array:
    M = MCMC(model(J))

这表明并非所有的

pymc

变量的父变量都必须是pymc分布变量

我仍然不知道这是否是通过MCMC采样实现函数最小化的最聪明的方法。我想听听不同意或只是有建议的读者的评论。
非常感谢所有用户

TypeError: 'numpy.float64' object is not iterable

def model(J):
    a = Uniform('a', lower=0, upper=5)
    b = Uniform('b', lower=0, upper=5)
    c = Uniform('c', lower=0, upper=5)
    r = Uniform('r', lower=0, upper=5)
    
    @deterministic
    def loglike(J=J, a=a, b=b, c=c, r=r):
        return LL(a, b, J, r, c)
    
    return locals()
    
for J in J_array:
    M = MCMC(model(J))