为何scipy.optimize.minimize始终返回初始值，无法完成优化？

主要有两个核心问题：

• 目标函数非光滑（不连续、不可导）
  你写的overlap函数里，通过min(index_range, key=lambda i: abs(data2_x[i]-x1))寻找最近索引的操作，会让函数值随shift的变化出现阶跃跳变——当shift微调时，某个x1对应的最近索引可能突然切换，导致求和结果sum_的数值不连续，也没有定义良好的梯度。而minimize默认的L-BFGS-B算法是基于梯度的光滑优化算法，遇到这种非光滑函数时，会认为初始点附近没有下降方向，直接返回初始值。

• 优化方法选择不当
  默认的L-BFGS-B不适合处理非光滑目标函数，需要改用不需要梯度的启发式优化方法。

修复方案 #

1. 切换优化方法为Nelder-Mead #

直接在调用minimize时指定方法为Nelder-Mead，这个方法不需要计算梯度，能处理非光滑函数：

result = opt.minimize(overlap, 40, args=(data1_x, data1_y, data2_x, data2_y), method='Nelder-Mead')

2. （可选）将目标函数改为光滑形式 #

如果想要更稳定的优化效果，可以用插值替代索引查找，让函数变得可导。比如用numpy.interp对data2做线性插值，直接计算对应位置的y值：

def overlap(shift, data1_x, data1_y, data2_x, data2_y):
    x1_shifted = np.array(data1_x) + shift[0]
    # 线性插值得到每个偏移后x对应的data2的y值
    y2_interp = np.interp(x1_shifted, data2_x, data2_y)
    # 筛选出在共同范围内的点
    idx = np.searchsorted(data2_x, x1_shifted)
    idx = np.clip(idx, 1, len(data2_x)-1)  # 避免越界
    dist_left = x1_shifted - np.array(data2_x)[idx-1]
    dist_right = np.array(data2_x)[idx] - x1_shifted
    min_dist = np.minimum(dist_left, dist_right)
    mask = min_dist <=5
    sum_ = np.sum(np.abs(y2_interp[mask] - np.array(data1_y)[mask]))
    return sum_

修改后目标函数变得光滑，用默认的L-BFGS-B算法也能正常找到最优解。

3. 验证效果 #

修改后运行代码，result.x会接近真实的50.5，下方的子图也能看到两个数据集成功对齐。

内容的提问来源于stack exchange，提问作者Alex