Go Gonum optimize 怎样最小化自定义标量函数

在 Go Gonum optimize 中，把自定义函数赋给 optimize.Problem.Func，提供初始变量切片，再调用 optimize.Minimize。函数从 []float64 读取变量并返回一个 float64 目标值；没有梯度时，可以显式选择 NelderMead。求解后要一起读取候选位置、目标值和终止状态。

项目官方地址：https://github.com/gonum/gonum

把目标函数与搜索方法分开

这个接入方式可以理解为“目标描述与搜索策略分离”：业务负责定义什么叫好，算法负责寻找更小的目标值。Problem 保存目标回调，方法对象保存搜索策略，Settings 管计算预算，Result 承载求解信息。

它适合目标公式需要经常变化，或者需要在同一目标上比较不同方法的场景。不要把损失公式、算法状态和业务结果接受条件混写进一个回调；否则更换算法时，很容易顺手改变了目标的含义。

选择适用的变量与方法契约

“标量函数”说的是输出只有一个数，不是只能有一个自变量。两个、十个参数都可以放进切片，但回调必须清楚每个位置的含义。下面用两个变量构造目标 (x₀-3)² + 4(x₁+2)² + 7，变量次序在整个求解期间保持不变。

初始切片不能是没有维度信息的空容器。目标函数应只读取传入的x，不修改它，也不要把这份切片直接保存起来供以后异步读取。需要保存某个候选点时，业务层应复制其数据。

实现完整的标量目标最小化

以下代码用于已配置 gonum.org/v1/gonum/optimize 依赖的Go模块。项目应固定适用的Gonum版本，避免把主分支变化直接当成生产环境的接口约定。

package main

import (
    "fmt"
    "math"
    "gonum.org/v1/gonum/optimize"
)

// objective只读取变量，返回一个标量；两个平方项的尺度不同。
func objective(x []float64) float64 {
    dx := x[0] - 3
    dy := x[1] + 2
    return dx*dx + 4*dy*dy + 7
}

func main() {
    problem := optimize.Problem{Func: objective}
    // 初值长度决定变量维度，本函数需要两个分量。
    initial := []float64{0, 0}
    settings := &optimize.Settings{
        MajorIterations: 500,
        FuncEvaluations: 2000,
        Concurrent: 1,
    }
    // 无梯度例子显式使用NelderMead，每次求解创建独立方法实例。
    result, err := optimize.Minimize(problem, initial, settings,
        &optimize.NelderMead{})
    if err != nil {
        fmt.Println("求解错误:", err)
        return
    }
    if result == nil {
        fmt.Println("没有返回候选结果")
        return
    }
    // 提前结束的状态不能作为正常收敛处理。
    if result.Status.Early() {
        fmt.Println("提前结束:", result.Status, result.Status.Err())
        return
    }
    if math.IsNaN(result.F) || math.IsInf(result.F, 0) {
        fmt.Println("候选目标值无效")
        return
    }
    fmt.Printf("候选位置=%v 目标值=%.10f 状态=%v\n",
        result.X, result.F, result.Status)
    // 函数求值次数和主迭代次数是不同的统计量。
    fmt.Printf("主迭代=%d 函数求值=%d\n",
        result.MajorIterations, result.FuncEvaluations)
}

通过平方项非负这一性质，可以直接推导出解析最小点是 [3,-2]，最小目标值是7。数值算法返回的是浮点近似候选，不要求每个分量恰好等于解析坐标。本文未执行程序，因此没有给出实际迭代次数、耗时或运行日志。

代码先处理调用错误，再处理结果和提前终止状态。达到预算上限时，算法可能已有一个较好的候选点；本例选择不把它作为正常结果输出。业务确实要接受这种候选时，应另外标注“预算内近似解”，并制定接受条件。

理解反例和终止后果

反例之一是只填写Func，却切换到需要梯度的方法。策略可以替换，但接口能力必须匹配；目标描述没有梯度时，换一个方法名称并不能自动产生正确导数。若以后选择梯度方法，应增加Grad回调，并把梯度写入提供的目标切片，仍不能修改输入x。

反例之二是把变量上下限只写在界面说明中。本文的调用属于无约束最小化，并不会凭初始点自动推导出合法区域。变量有物理取值范围时，应选择适合约束的建模与算法方案，或者仔细设计变量变换；不能指望算法永远留在初始点附近。

反例之三是把终止状态当作全局最优证明。多峰函数可能因初值不同得到不同局部结果；平坦区域或尺度差异也会影响搜索。即便没有调用错误，仍要判断目标公式、变量尺度和业务接受条件是否合理。

分离接口带来的收益是更容易替换策略、记录配置和解释结果；代价是调用方必须承担维度、函数有效域以及结果使用政策。预算也应分别记录：一次主迭代不等于一次函数求值。并发求值还可能使评估上限不是严格的硬边界。

整理接入前的判断问题

接入时可以按五个问题梳理：目标是否返回可比较的标量；变量顺序与单位是否固定；方法需要的导数是否齐全；预算结束后如何使用候选解；目标值降低是否真的对应业务变好。它们比单纯打印“优化成功”更能解释一次求解。

只有一个变量怎样写？

仍使用长度为1的切片，在回调里读取x[0]。单变量输入与标量输出是两个不同概念。

能否把最大化问题交给Minimize？

可以把待最大化的函数取负作为目标，但展示和解释结果时要恢复原始指标的符号，不能把负号后的数值直接当作业务收益。

目标值已经很小，为什么还没有停？

目标值的绝对大小并不自动表示满足停止条件。要根据所选方法及收敛设置判断；改变损失的常数项也会改变绝对数值，却不改变本例的最小点。

技术依据：Gonum optimize官方文档、官方求解入口、官方问题、配置与结果类型。