SciPy 的 minimize(method="newton-cg") 在初始点梯度为零（如局部极大值或鞍点）时会立即成功退出，而非继续搜索——这是算法设计使然，并非 Bug；关键在于主动规避零梯度陷阱。
scipy 的 `minimize(method="newton-cg")` 在初始点梯度为零（如局部极大值或鞍点）时会立即成功退出，而非继续搜索——这是算法设计使然，并非 bug；关键在于主动规避零梯度陷阱。
Newton-CG 是一种基于二阶信息的无约束优化方法，它依赖于目标函数的一阶导数（Jacobian）和二阶导数（Hessian）来构造牛顿方向，并结合共轭梯度法求解线性系统。其收敛判据核心是 梯度范数足够小（即 ||∇f(x)||
在您提供的示例中：
def get_f_df(var):
x, y = var
f = np.cos(x) + np.cos(y) # f(0,0) = 2（全局最大值）
df_dx = -np.sin(x) # ∂f/∂x |_{(0,0)} = 0
df_dy = -np.sin(y) # ∂f/∂y |_{(0,0)} = 0
return f, (df_dx, df_dy)
初始点 (0, 0) 恰好是函数 cos(x)+cos(y) 的全局最大值点，梯度严格为零，Hessian 为负定矩阵 [[−1, 0], [0, −1]]。Newton-CG 在第一步计算 curv = pᵀHp（其中 p = −∇f = 0）时得到 curv = 0，触发内部提前退出逻辑（如您源码分析所指出），跳过方向更新与线搜索，直接返回原点。
✅ 正确解决方案：主动扰动初始点
最稳健、低开销且符合物理直觉的做法是为初始猜测添加微小扰动，打破精确驻点条件：
import numpy as np
from scipy import optimize
# 添加 1e-6 级别各向同性扰动（推荐）
x0_perturbed = np.array([0.0, 0.0]) + 1e-6 * np.random.randn(2)
result = optimize.minimize(
get_f_df,
x0_perturbed,
jac=True,
hess=hess,
method="newton-cg",
options={"gtol": 1e-8, "maxiter": 100}
)
print(f"Optimized x: {result.x}, f(x): {result.fun:.3f}")
# 输出类似：x ≈ [3.142, 3.142]（局部最小值点），f ≈ -2.0
⚠️ 注意事项与进阶建议
- 扰动尺度需谨慎：太小（如 1e-12）可能仍被浮点精度淹没；太大（如 0.1）可能跳入无关吸引域。对角度变量（[-π, π]），1e-4 ~ 1e-6 通常是安全起点。
- 避免依赖 hess=None 或数值 Hessian：数值微分无法改变零梯度本质问题，仅影响 Hessian 计算精度，不解决根本判据缺陷。
- 勿误用“全局”方法替代：powell 或 cobyla 等无导数方法虽能绕过此问题，但收敛慢、鲁棒性差，且不利用您已有的解析 Jacobian/Hessian，违背使用 Newton-CG 的初衷。
- 面向磁滞模拟的工程实践：在宏观自旋模型中，当外场递减导致前一步极小值演化为极大值时，可结合物理先验——例如沿易轴方向施加固定小扰动（如 δθ = 0.01），或采用“多起点+结果聚类”策略，筛选能量最低的有效极小值。
? 总结
Newton-CG 的“卡在极大值”现象并非实现缺陷，而是其数学基础（驻点一阶必要条件）的自然体现。专业优化实践中，合理初始化远比追求算法‘自动纠错’更可靠。通过微量扰动打破对称性、辅以物理引导的初值选择，即可稳定驱动 Newton-CG 收敛至真实局部极小值——这既是数值稳健性的要求，也是科学计算中“让算法服务于问题，而非让问题适应算法”的核心理念。
