Как соединить оба метода?

double function_optimiz(double alpha) {
    double y[N];
    y[0] = 10e-10, y[1] = 0.0, y[2] = 0.0, y[3] = 0.0;
    double t0 = 0.0, max_t = 5.73e-08, h = 1e-10;
    double t = t0;
    double sum = 0;
 
    for(t = t0; t <= max_t; t += h) {
 
        rosenbrock(y, t0, max_t, h, alpha);
        std::cout << t << "\t" << std::setprecision(5) << y[0] << "\t" << y[1] << "\t" << y[2] << "\t" << y[3] << std::endl;
 
        sum += (j_0(y) - j_1(y))*(j_0(y) - j_1(y));
        cout << "sum: " << sum << "\n";
 
    }
    return sum;
}
void Gold(double a, double b, double e, double alpha) {
    long nIter = 1;
 
    double t = (std::sqrt(5) - 1)*0.5;
    double x1 = b - t * (b - a);
    double x2 = a + t * (b - a);
 
    double h1, h2;
 
    while (e <= fabs(b - a)) {
        std::cout << "\t**\t Iteration: " << (nIter++) << " \t **" << std::endl;
        std::cout << std::setprecision(4) << "[ a ; b ]: [ " << a << " ; " << b << " ]\t" << " ALPHA_1: " << x1 << "\tALPHA_2: " << x2 << std::endl;
        h2 = function_optimiz(x2);
        h1 = function_optimiz(x1);
        if (h2 < h1) a = x1;
        else b = x2;
 
        x1 = b - t * (b - a);
        x2 = a + t * (b - a);
 
    }
 
    std::cout << "\t**\t Iteration: " << (nIter++) << " \t **" << std::endl;
    std::cout << std::setprecision(4) << "[ a ; b ]: [ " << a << " ; " << b << " ]\t" << " ALPHA_1: " << x1 << "\tALPHA_2: " << x2 << std::endl;
 
    std::cout << "\n\t**\t Result \t **";
    std::cout << "\nALPHA_min =  " << (alpha = (a + b) / 2);
 
}

void descent_method(func_ptr f, double* vars, double eps, int max_steps_count)
{
double B = f(vars), A = 0; // значение целевой функции на текущей и пердидущей итерациях
bool was_counted = false; // был ли определен минимум за максимально допустимое количество итераций
int stpes_ellapsed = 0; // количество итераций, затраченных на поиск минимума (статистическая информация)
double delta = 0.0; // полученная погрешность (статистическая информация)
for(int i = 0; i < max_steps_count; i++){
A = B; // предыдущее значение целевой функции
 
for(int var_index = 0; var_index < var_count; var_index++) // проходим по каждому аргументу целевой функции
vars[var_index] = golden_section(f, vars, var_index, eps, -5000, 5000, max_steps_count); // и находим минимум одномерной функции по этой пе
 
B = f(vars); // текущее значение целевой функции
 
delta = fabs(A - B);
 
if(delta <= eps)
{
stpes_ellapsed = i + 1;
was_counted = true;
break;
}
}
 
std::cout << "Результат поиска минимума функции " << "<тут пишем функцию>" << std::endl;
 
if(!was_counted)
std::cout << "За максимально указанное количество шагов ( " << max_steps_count << " ) минимум не был посчитан." << std::endl;
else {
std::cout << "Количество итераций: " << stpes_ellapsed << std::endl;
std::cout << "Погрешность: " << delta << std::endl;
}
 
std::cout << "Точка: X(";
for(int i = 0; i < var_count; i++){
std::cout << vars[i] << ", ";
 
}
 
std::cout << "\b\b" << ")" << std::endl;
std::cout << "Значение функции f(X): " << std::setprecision(10) << f(vars) << std::endl;
}

void descent_method(double y[N], double alpha, double eps, int max_steps_count)
{
double B = function_optimiz(alpha), A = 0; 
bool was_counted = false; 
int stpes_ellapsed = 0; 
double delta = 0.0; 
for(int i = 0; i < max_steps_count; i++){
A = B; 
 
for(int var_index = 0; var_index < var_count; var_index++)
alpha = Gold(a,b,eps, alpha); 
 
B = function_optimiz(alpha); 
delta = fabs(A - B);
if(delta <= eps)
{
stpes_ellapsed = i + 1;
was_counted = true;
break;
}
}