least_squares报错：ValueError: Method ‘lm‘ doesn‘t work when the number of residuals is less than the n

项目场景：

在处理多个计算值与对应的多个已知值之间的差值最小时，我们可以对这些值进行统一处理，进行相减取绝对值后进行求和，最终的差之和就是我们想要优化的目标，使用最小二乘法便可求出最终的解。

${\sum }_{i=1}^n|d(x,M_i)-d_i^{\prime }|$

其中 d(x, M_i) 表示计算值， x 是要求解的值，$n$ 是数据量，$d_i^{\prime }$ 多个已知值。此数据由n组数据之间的差值得到

scipy.optimize.least_squares是 SciPy库是用于解决非线性最小二乘问题的函数，调用此函数后便可计算出最优点。

---

问题描述

在按照以上步骤，利用scipy.optimize中的least_squares求解目标函数的最小值时，当优化方法使用lm时，发生报错：

ValueError: Method 'lm' doesn't work when the number of residuals is less than the number of variables.

---

原因分析：

在使用lm优化方法时，若残差的数量少于变量的数量，则会报这个错。此时是一个残差，两个变量。

lm方法基于最小二乘法的原理，需要通过最小化残差的平方和来优化变量。如果残差数量过少，那么就无法有效地确定变量的最优值，因为没有足够的信息来拟合或优化。此时可以将初始函数拆分成单独的残差公式，返回多个残差，以满足算法要求。

---

解决方案：

修改原函数的实现，确保它正确地计算并返回了与问题规模相匹配的残差数量。此时可以尝试设置多个残差函数计算方法，返回多个残差以满足要求。lm的计算方法是通过最小化残差的平方和来优化变量，因此可以通过多个残差的计算方法，进行约束变量。

例如：

 from scipy.optimize import least_squares
 import numpy as np 
 
 def fun(x):
     
     residual1 = some_calculation1(x)
     residual2 = some_calculation2(x)
     return np.array([residual1, residual2])
     
 x0 = some_initial_guess
 result = least_squares(fun, x0, method='lm')