Python 在保持某些变量不变的情况下最小化函数

我有一个函数的形式

def tmp(x,n):
    R, s, a, T = x[0], x[1], x[2], x[3]

经过长时间的计算后，返回一个浮点值

我需要最小化此函数，为此我使用了scipy.optimize.minimize（）

上面的代码查找函数tmp（）的最小值，起始值如图所示

现在我需要最小化同一个函数tmp，但是保持变量R，T不最小化，作为参数。换句话说，我希望函数的编写方式如下：

def tmp(x,n,R,T):
        s, a = x[0], x[1]

---

如何在不编辑我的第一个函数的情况下创建上述函数？

默认情况下，这是不可能的。您需要给

tmp（x，n，R，T）

一个不同的名称

---

但也有可能，使用

不知道函数中发生了什么，这会使测试某些内容变得困难。。。 在函数中，在哪里定义R、s、a和T

您不能编写如下函数：

def tmp(x,n,cons):
       if cons is False:#case 1
           R, s, a, T = x[0], x[1], x[2], x[3]
       elif cons is True:#case 2
           R=0 #change them if you want 
           T=60000
           s, a = x[0], x[1]
       #your calculations
       #...

然后，您必须记住（！）在第一种情况下，您的“最小化”必须是这样的：

minimize(tmp,[0,0,3,60000], args=(n,cons),tol =1e-15)#where args is (2,False) for example

如案例2所示：

minimize(tmp,[0,3], args=(n,cons),tol =1e-15)#where args is (2,True)

---

这是一个老问题，但我遇到了这个问题并找到了另一个解决方案。您可以定义一个“mask”函数，用于重新组合标量函数的“feed”向量。例如

import numpy as np
from scipy.optimize import minimize

def test_fun(x):
    return (x[0] - 1)**2 + (x[1] - 2)**2 + (x[2] - 3)**2

def mask_fun(x, x0, mask):
    x_re = np.zeros(len(mask))
    x_re[mask > 0] = x
    x_re[mask == 0] = x0
    return test_fun(x_re)

mask = np.array([1, 1, 1])  # ones to estimate, zero for known/apriori
x_est = np.array([1., 2., 3.])
x_in = x_est[mask > 0]
x_param = x_est[mask == 0]

minimize(mask_fun, x_in, args=(x_param, mask))

---

谢谢，我来看看多方法库。我试图避免将tmp重写为新函数，因为这意味着我必须复制许多代码块，这对我来说似乎毫无意义。您可以使用默认参数def

tmp（x，n，R=None，T=None）：

。根据

R

和

T

的值，您可以进行不同的操作。如果我这样做，我将不得不更改第一个函数，并且我希望保留这两个函数。好的，然后继续使用多方法。谢谢，这看起来更像我的想法。我在tmp（x，n）中定义了R，s，a，T，就在定义行之后，如我的第一篇文章所示。希望这能奏效。很抱歉，我不能在这里发布整个函数（一个36x36的微分方程系统），因为它是为我的客户工作的。

import numpy as np
from scipy.optimize import minimize

def test_fun(x):
    return (x[0] - 1)**2 + (x[1] - 2)**2 + (x[2] - 3)**2

def mask_fun(x, x0, mask):
    x_re = np.zeros(len(mask))
    x_re[mask > 0] = x
    x_re[mask == 0] = x0
    return test_fun(x_re)

mask = np.array([1, 1, 1])  # ones to estimate, zero for known/apriori
x_est = np.array([1., 2., 3.])
x_in = x_est[mask > 0]
x_param = x_est[mask == 0]

minimize(mask_fun, x_in, args=(x_param, mask))