默认情况下这是不可能的，你需要给予tmp(x,n,R,T)一个不同的名字。
不过，使用multimethod library也是可能的

不知道函数中发生了什么会使测试变得困难......在函数中，您在哪里定义R、s、a和T？
你能不能写一个函数：

def tmp(x,n,cons):
       if cons is False:#case 1
           R, s, a, T = x[0], x[1], x[2], x[3]
       elif cons is True:#case 2
           R=0 #change them if you want 
           T=60000
           s, a = x[0], x[1]
       #your calculations
       #...

那么你必须记住（！）你的“最小化”必须看起来像第一种情况：

minimize(tmp,[0,0,3,60000], args=(n,cons),tol =1e-15)#where args is (2,False) for example

情况2如下：

minimize(tmp,[0,3], args=(n,cons),tol =1e-15)#where args is (2,True)

这是一个老问题，但我遇到了这个问题，并找到了一个替代的解决方案。你可以定义一个“掩码”函数，你可以用它来重新组装你的标量函数的“提要”向量。

import numpy as np
from scipy.optimize import minimize

def test_fun(x):
    return (x[0] - 1)**2 + (x[1] - 2)**2 + (x[2] - 3)**2

def mask_fun(x, x0, mask):
    x_re = np.zeros(len(mask))
    x_re[mask > 0] = x
    x_re[mask == 0] = x0
    return test_fun(x_re)

mask = np.array([1, 1, 1])  # ones to estimate, zero for known/apriori
x_est = np.array([1., 2., 3.])
x_in = x_est[mask > 0]
x_param = x_est[mask == 0]

minimize(mask_fun, x_in, args=(x_param, mask))

我发现这个问题的答案是使用lmfit，它允许您轻松地固定一些参数，同时最小化其他参数。