怎样将每次迭代生产的结果都储存下来，给出代码

在优化算法中，通常会将每次迭代的结果存储下来，以便后续分析和比较。下面是一个示例代码，用于将每次迭代的结果存储到一个列表中：

import numpy as np
from scipy.optimize import minimize

# 定义目标函数
def objective(x):
    return x[0]**2 + x[1]**2

# 定义初始点
x0 = np.array([1.0, 1.0])

# 存储每次迭代的结果
history = []

# 迭代优化
res = minimize(objective, x0, method='BFGS', callback=lambda x: history.append(x))

# 输出最优解和最优值
print("Optimization result:")
print("  x* =", res.x)
print("  f(x*) =", res.fun)

# 输出每次迭代的结果
print("Iteration history:")
for i, x in enumerate(history):
    print("  Iteration", i+1, ": x =", x)

这段代码使用了 `scipy.optimize.minimize` 函数进行优化，其中 `callback` 参数用于指定一个回调函数，每次迭代都会调用该函数并传递当前的优化向量作为参数。在这个回调函数中，我们将每次迭代的结果存储到一个列表中，最后输出每次迭代的结果。

需要注意的是，不是所有的优化算法都支持回调函数这种方式来记录历史结果，如果你使用的是其他优化算法，需要查看它们的文档或源代码来了解如何记录历史结果。