如何让scipy.optimize.minimize在n次无迭代提升后停止？

核心思路 #

借助scipy.optimize.minimize的callback参数，在每次迭代后检查当前解的目标函数值是否优于历史最优值，同时维护一个计数器：

• 找到更优解时，重置计数器并更新最优值
• 计数器达到设定阈值时，返回True触发优化终止

代码实现 #

用闭包实现带状态的回调函数（比类写法更简洁）：

from scipy.optimize import minimize
import numpy as np

def create_stop_callback(max_stagnant_iter):
    best_score = np.inf
    stagnant_count = 0
    
    def callback(xk):
        nonlocal best_score, stagnant_count
        current_score = objective_function(xk)  # 替换为你的目标函数
        
        # 加小epsilon规避浮点精度误差导致的误判
        if current_score < best_score - 1e-9:
            best_score = current_score
            stagnant_count = 0
        else:
            stagnant_count += 1
            if stagnant_count >= max_stagnant_iter:
                print(f"连续{max_stagnant_iter}次迭代无进展，终止优化")
                return True  # 返回True会触发minimize停止
    
    return callback

调用示例：

def objective_function(x):
    # 替换为你的实际目标函数
    return (x[0] - 2)**2 + (x[1] - 3)**2

# 初始猜测值
x0 = np.array([0, 0])

# 创建回调：连续5次无进展就停止
stop_callback = create_stop_callback(max_stagnant_iter=5)

# 执行优化，无需额外设置maxiter（若需限制总迭代次数可在options中添加）
result = minimize(objective_function, x0, method='BFGS', callback=stop_callback)

print("优化结果：")
print(result)

关键细节 #

• 浮点精度处理：加入1e-9的阈值，避免因浮点计算的微小波动误判为无进展
• 回调返回规则：回调函数返回True时，minimize会立即终止迭代
• 方法兼容性：该方案适用于所有支持callback参数的优化方法（如BFGS、L-BFGS-B、Nelder-Mead等）

适配说明 #

• 若目标是最大化问题，需将判断条件改为current_score > best_score + 1e-9
• 如需同时限制总迭代次数，可在options中设置maxiter，此时优化会在任一条件满足时停止

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