本文详解如何在使用 SciPy 的 scipy.optimize.minimize 进行数值优化时，实时观测迭代过程——通过 callback 函数获取每步参数与状态，或启用 disp=True 获取求解器原生调试信息。
本文详解如何在使用 scipy 的 `scipy.optimize.minimize` 进行数值优化时，实时观测迭代过程——通过 `callback` 函数获取每步参数与状态，或启用 `disp=true` 获取求解器原生调试信息。
在科学计算和机器学习实践中，优化过程的“黑箱感”常带来调试困难：我们无法判断算法是否陷入停滞、收敛过慢，或参数更新是否合理。SciPy 的 minimize 函数虽高效稳健，但默认不暴露中间状态。幸运的是，它提供了两种官方支持的进度监控机制：用户自定义回调（callback） 和 求解器内置显示（disp），二者适用场景不同，可单独或组合使用。
✅ 方式一：使用 callback 精确捕获每次迭代结果
callback 参数接受一个可调用对象（函数），该函数会在每次成功完成一次迭代后被调用，并接收一个 OptimizeResult 类型的对象（如 intermediate_result）作为唯一参数。该对象包含当前迭代的 x（参数向量）、fun（目标函数值）、nfev（函数评估次数）、nit（迭代次数）等关键字段，适合做日志记录、可视化或动态终止判断。
以下是一个完整示例，以经典的 Rosenbrock 函数为例，打印每步最优参数并绘制收敛轨迹：
import numpy as np
from scipy.optimize import rosen, minimize
import matplotlib.pyplot as plt
# 存储每步 x 用于绘图
history = []
def callback(xk):
history.append(np.copy(xk)) # 注意：xk 是引用，需 copy
print(f"Iteration {len(history):2d}: x = [{xk[0]:.4f}, {xk[1]:.4f}], f(x) = {rosen(xk):.6f}")
res = minimize(
fun=rosen,
x0=[0.0, 0.0],
method='BFGS',
callback=callback,
options={'maxiter': 50}
)
print("\nOptimization completed.")
print(f"Final result:\n{res}")
⚠️ 注意事项：
callback不保证在所有方法中都被严格按迭代步调用（例如某些线搜索策略可能内部多评价值但只回调一次）；xk是传入的引用数组，若需长期保存，务必使用np.copy(xk)；callback不能修改xk或返回值来影响优化流程（SciPy 不支持反向控制）。
✅ 方式二：启用 disp=True 查看求解器原生输出
对快速诊断收敛行为，设置 options={'disp': True} 更加便捷。不同算法输出粒度差异较大：
-
COBYQA、Nelder-Mead等无梯度方法通常每轮迭代打印一行（含目标值、步长、标准差等）； -
BFGS、L-BFGS-B等拟牛顿法一般仅在最终收敛/失败时输出摘要（除非配合iprint等特定选项）； -
trust-constr支持更细粒度的verbose级别（如options={'verbose': 2}）。
示例（COBYQA）：
res = minimize(
rosen,
[0, 0],
method='COBYQA',
options={'disp': True, 'maxiter': 30}
)
输出类似：
COBYQA function evaluation: 1, f = 100.000000 COBYQA function evaluation: 2, f = 81.000000 COBYQA function evaluation: 3, f = 64.000000 ...
⚠️ 注意事项：
- 输出格式因算法而异且非标准化，不可用于程序化解析；
disp=True本质是调试辅助，不应依赖其输出做逻辑判断；- 某些方法（如
'SLSQP'）需额外设置options={'disp': True, 'iprint': 2}才能显示详细过程。
? 组合使用：兼顾灵活性与可观测性
实际工程中，推荐将二者结合：用 callback 实现结构化日志与自定义终止逻辑（如梯度模长低于阈值则提前退出），同时开启 disp 快速验证求解器行为是否符合预期。
callback
