全局优化：如何更一致地找到相同的最小值？答案

【问题标题】：Global Optimization: How to find same minimum more consistently?全局优化：如何更一致地找到相同的最小值？
【发布时间】：2019-05-04 10:15:01
【问题描述】：

目前我正在使用 scipy 库中的盆地跳跃来找到优化我的目标函数的最优 x（其中 x 总共由 4 个因子组成）。当我让它运行几次时，每次运行都会给我不同的结果。有没有办法使结果更加一致（即函数在多次迭代中最小化参数相同）？

cons = [
    {
        'type': 'eq',
        'fun': lambda x: x[0] + x[1] + x[2] - 1
    },
    {
        'type': 'ineq',
        'fun': lambda x: (w_0 / prob_death(T)[T-1]) - x[3]
    },
    {
        'type': 'ineq',
        'fun': lambda x: x[3] - 10000
     }
]

bounds = ( (0, 1), (0, 1), (0, 1), (0, 1'000'000)) )

res = basinhopping(func = utility_expected,
          x0 = np.array([0.33, 0.33, 0.33, 50000]),
          minimizer_kwargs = {"method": 'SLSQP',
          "bounds": bounds,
          "constraints": cons,
          "options": {
              "eps": 0.01,
              "ftol": 0.001
              }
          }, 
          disp = False,
          interval = 40,
          niter = 250)

【问题讨论】：

这感觉像是一个非常广泛的优化问题；可能应该属于 math.SE，但即使在那里它也可能过于宽泛。
盆地跳跃是一种随机算法。您可以设置种子以使运行可重现。

标签： python python-3.x optimization scipy

【解决方案1】：

所以我特别熟悉Scipy的压力表，但如果我正在阅读这一点，那么你就把它给了一个0.01的epsilon，用于雅各的数值逼近。但是，您的变量的缩放比例非常不同。（0-1与0-1000000），这可能会为您提供奇怪的行为。考虑将第四个变量缩放为 0-1。

还，250次迭代是您要求优化器的真正小号的数字。尝试使它运行更长。

【讨论】：