BasinHopping非常慢，无法直接进行优化

Question

请考虑以下简单的优化问题。

from symfit import parameters, Eq, Ge, Fit, log
from symfit.core.minimizers import BasinHopping

n = 3
# xdata = np.sort(np.random.choice(range(1, 4*n), n))
xdata = [2, 8, 11]
print(xdata)
p1, p2, p3 = parameters('p1, p2, p3')
model = p1*p2*p3
# model = log(p1)+log(p2)+log(p3)
constraints = [
    Eq(xdata[0]*p1+(xdata[1]-xdata[0])*p2+(xdata[2]-xdata[1])*p3, 1),
    Ge(p1, p2),
    Ge(p2, p3),
    Ge(p3, 0.00001)
    ]

fit2 = Fit(- model, constraints=constraints)
print(fit2.execute(options={"ftol": 1e-12}))
fit0 = Fit(- model, constraints=constraints, minimizer=BasinHopping)
print(fit0.execute())

这提供了最佳的：

Parameter Value        Standard Deviation
p1        1.666668e-01 nan
p2        7.407405e-02 nan
p3        7.407405e-02 nan

适用于fit0和fit2。两者的总运行时间约为3秒。 BasinHopping使用567次迭代。

现在让我们简单地记录目标函数的日志。所以我们有：

model = log(p1)+log(p2)+log(p3)

代替上面的model =行。这应该给出完全相同的结果，并且fit2实际上可以工作并且大约需要1秒钟。但是，会发生以下情况：

fit0（即BasinHopping）需要110137次迭代和7分钟才能计算出最优值。

  

这是怎么回事？