我正在开发一个应该执行大约 6750 次优化的程序。现在，问题是一项优化的持续时间约为 3 分钟。乍一看这似乎并不多，但如果我必须执行 6750 次，我将等待 2 周......显然这不是我想要的，因此这是我如何提高速度的问题跳盆全局优化算法。我有一种感觉，我在这里忘记了一些东西，比如另一种方法或一些可能对我有帮助的参数。只是我想不通是什么...

简而言之，我有两个问题。一项优化可能需要长达 3 分钟才能收敛，这是否正常？我将如何加快优化速度？

下面的一段代码显示了我目前的工作方式。第一种方式进行了 1750 次优化，第二种方式进行了 5000 次优化。

我正在编写这个程序，我必须在其中进行大量优化。有些只有 1 个变量，有些只有 2 个。起初我使用 scipy.optimize 库中的盆地跳跃算法，但我认为正常的最小化算法应该可以完成这项工作。跳盆优化或多或少是有效的，但它非常耗时。现在，我正在使用正常的最小化优化，并且我已经想出了如何针对 1 个变量进行优化。代码如下。我在这里使用 COBYLA 方法，因为这似乎是唯一有效的方法。（Nelder-Mead 和 Powell 也可以，但有时他们会返回一个负数 x，这是我无法拥有的。而且由于这两种方法都是不受约束的，所以我不能使用它们）。因此我的第一个问题：

我用于优化 2 个变量的代码与 1 个变量的代码完全相同，但不知何故它给了我错误的结果。这与我使用的方法有关吗？或者这里可能是什么问题？

为了完整起见，下面是我的 calculate_score 函数代码。我可能正在考虑计算这个函数的梯度，以便给定这个梯度，BFGS 或 L-BFGS-B 方法可以工作，但我不太确定如何做到这一点。

简而言之，我想知道的是：

• 从盆地跳跃切换到最小化是个好主意吗？（我只是觉得盆地跳跃非常慢）
• 对于这种特定情况，我使用的 COBYLA 方法是最好的吗？
• 为什么我的 1 个变量的结果是正确的，而我的 2 个变量的结果却不是？

错字已修复

我需要为我的时间序列中的每个时间步执行最小化优化。优化根据行中不同列中的值和一系列不等式约束来设置价格。

我的数据框在 48 年的时间序列中具有以下列：

PRICE_crR 和 PRICE_crWS 代表两个不同客户类别的价格，纯粹基于成本回收。优化必须寻求实现成本回收（下面代码中的第一个约束），同时观察几个关键策略约束，这些约束由下面代码中的第二个和第三个约束表示。

这就是我到目前为止所拥有的。

最小化的目标函数

约束

非负约束

一系列初始最佳猜测

优化函数

运行上述脚本时，我收到以下错误消息：

作为一个简单的 Web 开发人员 :) 在使用 SciPy Optimize 最小化功能时，我无法找出更多关注数据科学的问题。给定一组界限和一系列约束，我试图在这种情况下找到 8 种成分的值（谁的总数必须等于 100）。

约束规定了整体常量营养素值的最小值/最大值，例如。必须是至少 40% 的固体，或者必须具有等于 13.0 等的 rs 值（相对甜度）。

我已经为这些成分中的每一种设置了我的约束（我希望是正确的）和一系列界限（其中一些可以在 0 到 100 之间），但其他成分的上限和下限相同，即。固定的？。在提供的答案中，我很困惑，因为我成功运行了优化，但某些成分的值不在设置的范围内。

到目前为止，请参见下面的代码。非常感谢您的帮助！

我正试图围绕scipy.optimize.minimize. 我一遍又一遍地阅读文档并用谷歌搜索，但我根本不明白如何做到这一点。希望有人能指出我正确的方向：

我有一个信号numpy array（我想我需要做一些最小化的事情

（基线调整 + 幅度因子 * 模板阵列 - 信号阵列）**2

我想使用baselineadjust和amplitudefactor随后修改信号，减去修改后的模板，即

新信号 = 基线调整 + 幅度因子 * 模板阵列 - 信号阵列

这种操作的目的是有效地从实际信号中去除模板信号，留下剩余的信号/噪声。

不确定这是否有意义并且很乐意详细说明。

考虑以下问题：

我想在空间上优化这个功能

• x[0] \in {0,1}
• x[1] \in [0,1]

有没有办法指定 x[0] 不应该是一个真实的值（即行上的一个值[0,1]），而只能是 0 或 1？

我目前的做法是执行 N 次优化，每个 x[0] 选项一个。问题是，如果有多个分类变量，这会迅速爆发。

我正在尝试优化一个功能。但是这个函数需要一个 pandas 数据框作为参数。所以当我运行代码时，我得到了这个错误：

TypeError: 'DataFrame' 对象是可变的，因此它们不能被散列

我的评价函数：

价格是一个熊猫数据框。

我该如何优化呢？还有一个问题是我的优化函数也需要传入初始猜测数组。那么当我设置 args 参数时，我该如何解释呢？

我正在尝试简单的实验来学习 scipy 的 SLSQP 优化器。

我采用了以下功能：

这是雅可比的：

它的界限为：

一个简单的约束——x[0]+2*x[1]<=1：

现在我尝试初始猜测 x0=[.1,0.01]

当我运行它时，我得到的解决方案是：x[0]=1,x[1]=0 and obj=-1

但是当我以 x0=[0.001,0.01] 的初始猜测开始时，我得到的解决方案是：x[0]=0,x[1]=0.5 和 obj=0.25

为什么在后面的运行中没有给出最佳解决方案？它是如何工作的？

我在 python 中有一个简单的优化问题，我需要经常重新运行（超过 10,000 次）。

大多数计算可以使用 numpy 完成，并且 n 维数组非常有效，但是，当涉及到优化时，我迷失了方向，因为我必须切换到 scipy.optimize.minimize。

有没有一种方法可以立即运行优化？

目前我正在遍历每一行 - 请参见下面的代码：

有没有更优雅、更有效的方法而不是循环遍历？

PS：我曾尝试使用“Pool”，但这“只是”一半的时间 - 循环仍然存在同样的问题。

我有一个相对简单的优化问题，但不是特别精通 scipy，无法弄清楚如何应用必要的约束。我的目标函数是最小化 10 元素向量y和x之间的绝对距离，其中x是 10x3 参数矩阵p的加权行和

我需要将以下约束添加到参数矩阵p：

1. p的每个元素，但是 >=0 和 <=1
2. p的每一列之和必须为 1
3. p的每一行之和不得超过1

我试图根据其他 SO 问题来实施约束，尽管我承认我并不完全理解它，也不完全理解它产生的错误。

运行此代码后，我收到以下错误消息：

AxisError：轴 1 超出维度 1 数组的范围

任何帮助深表感谢。