在BFGS拟牛顿算法中，计算步长是一个重要的步骤，它决定了每次迭代更新的幅度。如果BFGS算法未计算步长，可以按照以下步骤进行解决。

首先，需要了解BFGS算法的基本原理和迭代步骤。BFGS算法的核心是通过近似海森矩阵的逆来求解优化问题的最优解。算法的迭代步骤主要分为四个部分：计算搜索方向、线搜索确定步长、更新参数、更新逆近似海森矩阵。

以下是一个简单的示例代码，展示了如何使用BFGS拟牛顿算法来最小化一个函数：

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

# 定义目标函数的梯度
def gradient(x):
    return np.array([2*x[0], 2*x[1]])

# 初始化优化问题的初始点
x0 = np.array([1, 1])

# 使用BFGS拟牛顿算法求解最优解
result = minimize(objective, x0, method='BFGS', jac=gradient)

# 输出最优解和目标函数值
print("Optimal solution:", result.x)
print("Optimal value:", result.fun)

在上述代码中，使用了minimize函数来调用BFGS算法，其中method='BFGS'表示使用BFGS拟牛顿算法，jac=gradient表示提供了目标函数的梯度信息。

如果BFGS算法未计算步长，可能是因为在调用minimize函数时未正确设置jac参数，它指定了目标函数的梯度。确保目标函数的梯度正确计算，并在调用minimize函数时提供正确的梯度信息。

另外，还可以使用其他优化库或自己实现BFGS算法来计算步长。这里只是提供了一个示例代码，实际应用中可能需要根据具体情况进行调整。