如何让scipy.optimize.differential_evolution忽略nan值评估？

当用differential_evolution优化涉及复杂PDE的目标函数时，遇到返回NaN的情况，可通过以下几种方式让优化器自动忽略这类无效结果：

1. 目标函数内替换NaN为惩罚值 #

这是最直接的方案：在目标函数中检查结果是否为NaN，若是则返回一个极端的惩罚值（最小化问题用极大正数，最大化问题用极小负数），让优化器自动淘汰对应的参数组合。

示例代码：

from scipy.optimize import differential_evolution
import numpy as np

def objective(x):
    # 此处替换为你的PDE求解逻辑
    pde_result = solve_complex_pde(x)
    # 替换NaN为极大惩罚值
    if np.isnan(pde_result):
        return 1e12  # 足够大的数值，确保该参数组合被优先排除
    return pde_result

# 定义变量边界示例
bounds = [(-10, 10)] * 4
# 执行优化
opt_result = differential_evolution(objective, bounds)

2. 用回调函数过滤无效解 #

如果需要额外的日志记录或更灵活的控制逻辑，可以使用callback函数提前终止无效个体的评估：

def nan_filter_callback(x, convergence):
    current_val = objective(x)
    if np.isnan(current_val):
        # 返回True会触发优化器丢弃当前个体，继续下一次迭代
        return True
    return False

# 传入回调函数运行优化
opt_result = differential_evolution(objective, bounds, callback=nan_filter_callback)

3. 从根源减少NaN产生 #

优先尝试优化PDE求解逻辑，从源头避免NaN：

• 对输入参数添加预处理，过滤掉明显会导致PDE数值发散的参数范围
• 在PDE求解过程中加入数值稳定措施（比如限制迭代步长、添加正则项）
• 检查PDE边界条件或初始条件是否存在不合理的设定

内容的提问来源于stack exchange，提问作者user3015729