如何用scipy.optimization.differential_evolution处理非确定性目标函数？

问题背景 #

我正在使用差分进化求解器校准/优化仿真参数。由于场景数据量极大且仿真计算成本高昂，我希望尽可能减少仿真运行次数。因此在每次迭代中，我会从数据库随机选择少量场景，用当前参数向量进行仿真，将仿真结果与真实记录的相似度作为优化目标值——该目标值不仅依赖参数向量，还取决于所选的场景。

这就导致切换到下一次迭代时，即使参数向量本身已得到优化，目标值也可能出现恶化；反之，参数未优化时目标值也可能变好。

核心问题在于SciPy的_accept_trail方法，它仅接受能量值降低的轨迹。这对确定性目标函数是合理的，但完全不适用于我这种非确定性场景。

已尝试的两种方案 #

• 在回调函数中，针对新选择的场景计算种群能量，这样能正确对比目标值是否得到优化，但会使计算量直接翻倍——每个场景需要用新旧参数向量各运行一次仿真。
• 修改_accept_trail方法中的判断逻辑，将energy_trail <= energy_orig替换为True，但这种做法会大幅降低收敛速度。

疑问 #

有没有更适合这类非确定性目标函数问题的建模解决方案？有没有无需fork SciPy即可绕过_accept_trail方法的途径？

内容的提问来源于stack exchange，提问作者jinja