简短的回答是，G由优化器作为最小化过程的一部分进行维护，而(D_neg, D, and C)参数则从args元组按原样传递。
默认情况下，scipy.optimize.minimize接受一个接受一个参数x的函数fun(x)``scipy.optimize.minimize然后找到一个参数值xp，使得对于x的其他值，fun(xp)小于fun(x)。优化器负责创建x的值，并将其传递给fun进行计算。
但是，如果你碰巧有一个函数fun(x, y)，它有一些额外的参数y需要单独传入（但为了优化的目的，它被认为是一个常量）？这就是args元组的用途。文档试图解释如何使用args元组，但它可能有点难以解析：
args：tuple，optional
传递给目标函数及其导数的额外参数（雅可比矩阵、Hessian矩阵）。
实际上，scipy.optimize.minimize会将args中的任何内容作为参数的剩余部分传递给fun，使用星号参数表示法：然后在优化过程中，函数被称为fun(x, *args)。x部分由优化器传入，args元组作为剩余的参数。
因此，在您的代码中，G元素的值由优化器维护，同时评估G的可能值，(D_neg, D, C)元组按原样传递。

为了便于说明，我们可以打印G在minimize迭代到局部最小值时的变化。（在x=1处达到最小值）。请注意，函数的参数（2，-4和7）作为参数提供给下面的obj_func。
必须提供初始猜测以启动算法。
如输出所示，从初始值10开始，函数变量G下降到最小值。

from scipy.optimize import minimize

def obj_func(G, a, b, c):
    print(G)
    return a*G**2 + b*G + c

initial_guess = 10
a, b, c = 2, -4, 7

result = minimize(obj_func, x0=initial_guess, args=(a, b, c))

print(f"\nMinimizer = {result.x}")
print(f"  Minimum = {result.fun}")

其输出如下：

[10.]
[10.00000001]
[8.99]
[8.99000001]
[6.82085113]
[6.82085114]
[1.62275043]
[1.62275045]
[1.]
[1.00000001]

Minimizer = [1.]
  Minimum = 5.0

另一个例子：考虑一个二元函数f(x, y) = (x - 1)**2 + (y - 2)**2，该函数在(x, y) = (1, 2)处达到最小值（最小值为0）。
然后从(x, y) = (0, 3)的初始点开始，函数如下收敛到最小值。

def obj_func(variable, x_offset, y_offset):
    x, y = variable
    print(f"x={x:.3f}, y={y:.3f}")
    return (x - x_offset)**2 + (y - y_offset)**2

initial_guess = [0, 3]
result = minimize(obj_func, initial_guess, args=(1, 2))

这将打印以下内容，显示变量收敛到最小值。

x=0.000, y=3.000
x=0.000, y=3.000
x=0.000, y=3.000
x=0.714, y=2.286
x=0.714, y=2.286
x=0.714, y=2.286
x=1.000, y=2.000
x=1.000, y=2.000
x=1.000, y=2.000

关于minimize的一个重要注意事项是，初始猜测必须是受过教育的，特别是如果目标函数很复杂，否则算法可能不会收敛。我发现这是不成功的优化运行的主要来源。