使用可变数量参数进行代码配置的结构化方法

import numpy as np

def my_func(a, b, c, d, p1, p2, p3, p4):
    """
    示例函数，用于计算目标值。
    """
    return a + b*p1 + c*p2 + d*p3 + p4**2

def derivative(a, b, c, d, params, mask):
    """
    计算导数。

    Args:
        a, b, c, d: 其他参数。
        params: 所有参数的列表或NumPy数组。
        mask: 布尔型列表或NumPy数组，指示哪些参数需要校准。

    Returns:
        NumPy数组，包含需要校准的参数的导数。
    """
    derivatives = []
    for i, need_calibrate in enumerate(mask):
        if need_calibrate:
            p = params[i]
            du = my_func(a, b, c, d, *params[:i], p * 1.1, *params[i+1:]) # 动态参数传递
            dd = my_func(a, b, c, d, *params[:i], p * 0.9, *params[i+1:]) # 动态参数传递
            d_i = (du - dd) / (0.2 * p)
            derivatives.append(d_i)
    return np.array(derivatives)

def calibrating(old_params, a, b, c, d, mask, learning_rate=0.01):
    """
    校准参数。

    Args:
        old_params: 所有参数的初始值。
        a, b, c, d: 其他参数。
        mask: 布尔型列表或NumPy数组，指示哪些参数需要校准。
        learning_rate: 学习率。

    Returns:
        NumPy数组，包含校准后的参数值。
    """
    J = derivative(a, b, c, d, old_params, mask)
    new_params = old_params.copy() # 避免直接修改old_params
    j_index = 0
    for i, need_calibrate in enumerate(mask):
        if need_calibrate:
            new_params[i] = old_params[i] + learning_rate * J[j_index]
            j_index += 1
    return new_params


# 示例用法
a = 1
b = 2
c = 3
d = 4
p1 = 2
p2 = 3
p3 = 4
p4 = 5
initial_guess = np.array([p1, p2, p3, p4])

# 校准 p3 和 p4
mask = [False, False, True, True]
calibrated_params = calibrating(initial_guess, a, b, c, d, mask)
print(f"校准后的参数 (p3, p4): {calibrated_params[2:]}")

# 校准 p1, p2, p3 和 p4
mask = [True, True, True, True]
calibrated_params = calibrating(initial_guess, a, b, c, d, mask)
print(f"校准后的参数 (p1, p2, p3, p4): {calibrated_params}")