Python 如何在scipy.optimize.differential_evolution中将参数传递给回调函数

我使用scipy.optimize中的差分进化来解决我的优化问题。我的优化器为优化提供了一些参数

代码-

res = optimize.differential_evolution(objective,bounds,args=arguments,disp=True,callback = callback_DE(arguments))

我还有一个回调函数。我想将参数发送到回调函数，这就是我的问题所在

如果我没有将任何参数传递给回调函数，它可以正常工作-

def callback_DE(x,convergence):        
   '''
   some code
   '''

但是，如果我将

参数

作为函数定义中的参数，如-

def callback_DE(x,convergence,arguments):        
   '''
   some code
   '''

它抛出了一个错误

---

向回调函数传递参数的正确方法是什么？

这是不可能的。您只能使用提供给您的两个值。回调的目的是跟踪您的优化，如果您根据它满足的某些条件选择提前停止优化，则返回

True

有关更多详细信息，请参见中的说明：

回调：可调用，回调（xk，convergence=val），可选

跟踪最小化进程的函数。xk是x0的当前值。val表示总体收敛的分数值。当val大于1时，功能停止。如果回调返回True，则停止最小化（仍执行任何抛光）

---

如果您确实需要使用参数，您应该直接从函数内部访问它们。

这是不可能的。您只能使用提供给您的两个值。回调的目的是跟踪您的优化，如果您根据它满足的某些条件选择提前停止优化，则返回

True

有关更多详细信息，请参见中的说明：

回调：可调用，回调（xk，convergence=val），可选

跟踪最小化进程的函数。xk是x0的当前值。val表示总体收敛的分数值。当val大于1时，功能停止。如果回调返回True，则停止最小化（仍执行任何抛光）

---

如果您真的需要使用参数，您应该直接从函数内部访问它们。

当然，我找到了一种方法。您需要使用functools.partial来实现这一点

以下是一个小例子：

从functools导入部分
#具有两个“不需要的”参数的回调函数
def print_fun_DE（xk、收敛、名称、方法）：
print（{}by{}:x={}on convergence={}.格式（名称、方法、xk、convergence））
#我们调用此回调函数的方式：
callback=partial（print\u fun\u DE，name=data\u name，method=method），

自然而然，我找到了一种方法。您需要使用functools.partial来实现这一点

以下是一个小例子：

从functools导入部分
#具有两个“不需要的”参数的回调函数
def print_fun_DE（xk、收敛、名称、方法）：
print（{}by{}:x={}on convergence={}.格式（名称、方法、xk、convergence））
#我们调用此回调函数的方式：
callback=partial（print\u fun\u DE，name=data\u name，method=method），

有两条建议可以让别人更容易地帮助你：（1）阅读并相应地更新你的问题；（2） 你说“它抛出了一个错误”，但这还不够告诉我们。无论何时报告Python错误，都要在问题中包含完整的回溯（即完整的错误消息）。其中包含有用的信息。

optimize

使用定义的参数集调用回调。你无法控制。你定义了接受所给的功能。两条建议可以让别人更容易地帮助你：（1）阅读并相应地更新你的问题；（2） 你说“它抛出了一个错误”，但这还不够告诉我们。无论何时报告Python错误，都要在问题中包含完整的回溯（即完整的错误消息）。其中包含有用的信息。

optimize

使用定义的参数集调用回调。你无法控制。您可以定义函数来接受给定的内容。