我遇到以下优化问题：
目标函数是一个多元且不可微的函数，它以标量列表作为参数并返回标量。从函数内的计算是基于熊猫和一系列滚动，std等操作的意义上来说，这是不可微的。
伪代码如下：
def target_function(x: list) -> float:
# calculations
return output
此外，x参数的每个组成部分都有其自己的界限，定义为元组（最小，最大）。那么我应该如何使用scipy.optimize库来查找此函数的全局最小值？还有其他图书馆可以帮助吗？
我已经尝试过scipy.optimize.brute，它使我像永远一样，而scipy.optimize.minimize却从未产生过看似正确的答案。
答案 0 :(得分：0)
basinhopping，brute和differential_evolution是可用于全局优化的方法。您已经发现，蛮力全局优化并不是特别有效。
差分进化是一种随机方法，应该比蛮力更好，但是可能仍需要大量目标函数评估。如果要使用它，则应使用这些参数并查看最适合您的问题的参数。如果您知道目标函数不是“平滑”的，则这种方法往往比其他方法更有效：该函数或其导数可能不连续。
另一方面，跳水池可以进行随机跳跃，但每次跳跃后也可以进行局部放松。如果您的目标函数具有很多局部最小值，这将很有用，但是由于使用了局部松弛，因此函数应该是平滑的。如果您不能轻松地获得函数的梯度，则仍可以尝试使用不需要这些信息的局部最小化器之一进行跳盆。
scipy.optimize.basinhopping例程的优点在于它是非常可定制的。您可以使用take_step定义自定义随机跳转，accept_test覆盖用于决定是否继续或放弃随机跳转和松弛结果的测试，并使用minimizer_kwargs进行调整局部最小化行为。例如，您可以覆盖take_step以使其保持在边界内，然后选择L-BFGS-B最小化器，该最小化器可以在数字上估计函数的梯度并确定参数的边界。如果给它一个渐变，L-BFGS-B会更好地工作，但是我没有使用它，并且它仍然能够很好地将其最小化。请务必阅读本地和全局优化例程中的所有参数，并调整可接受的容差，以提高性能。