Scipy differential_evolution如何设置非连续参数边界？

首先明确：differential_evolution的bounds参数仅支持单个连续区间，无法直接设置(0,0.1)∪(150,250)这种不连续的多区间范围。但可以通过约束或参数映射两种方式实现需求，下面分别说明：

方法一：使用非线性约束（NonlinearConstraint） #

通过自定义约束函数，强制每个参数只能落在(0,0.1)或(150,250)区间内，具体步骤如下：

1. 编写约束函数：
   对于每个参数xi，我们需要确保它要么满足0 ≤ xi ≤ 0.1，要么满足150 ≤ xi ≤250。可以将该逻辑转换为数学表达式：

   • 当xi在[0,0.1]时，xi*(xi-0.1) ≤ 0
   • 当xi在[150,250]时，(xi-150)*(xi-250) ≤0
   • 逻辑“或”可以转换为两个表达式的乘积≤0（只要其中一个表达式≤0，乘积就≤0）

   实现代码：

   from scipy.optimize import differential_evolution, NonlinearConstraint
   
   def multi_interval_constraint(x):
       constraint_values = []
       for xi in x:
           # 计算两个区间的约束表达式
           interval1 = xi * (xi - 0.1)
           interval2 = (xi - 150) * (xi - 250)
           # 乘积≤0表示xi落在其中一个区间内
           constraint_values.append(interval1 * interval2)
       return constraint_values
   
   # 创建非线性约束，要求所有约束值≤0
   constraint = NonlinearConstraint(multi_interval_constraint, -float('inf'), 0)
   

2. 调用differential_evolution：
   此时可以将全局边界设为(0,250)（覆盖两个目标区间），并传入约束参数：

   def your_objective(x):
       # 替换为你的实际目标函数计算逻辑
       return ...
   
   # 15个参数的全局边界
   bounds = [(0, 250)] * 15
   
   # 执行优化
   result = differential_evolution(your_objective, bounds, constraints=constraint)
   

注意事项：

• 约束会增加每次迭代的计算开销，对于15个参数的规模，可能会小幅降低收敛速度。
• 初始种群可能存在大量不满足约束的个体，可通过init='latinhypercube'或手动生成初始种群（让个体优先落在目标区间）来优化。

方法二：参数映射（无约束） #

将每个参数的搜索空间映射到(0,1)，在目标函数内部将其转换为(0,0.1)或(150,250)的取值，无需额外约束：

实现代码：

def mapped_objective(y):
    # 将y∈(0,1)映射到目标区间
    x = []
    for yi in y:
        if yi < 0.5:
            # 从(0,0.5)映射到(0,0.1)
            xi = yi * 0.2
        else:
            # 从(0.5,1)映射到(150,250)
            xi = 150 + (yi - 0.5) * 200
        x.append(xi)
    # 调用实际目标函数
    return your_objective(x)

# 15个参数的搜索边界设为(0,1)
bounds = [(0, 1)] * 15

# 执行优化
result = differential_evolution(mapped_objective, bounds)

优缺点：

• 无需处理约束，计算开销更低；
• 但映射后的搜索空间是非线性的，可能会影响算法的搜索效率，需根据实际目标函数特性调整映射逻辑。

内容的提问来源于stack exchange，提问作者Sala