为何Scipy BasinHopping无法返回正确全局最小值？

Basinhopping作为随机全局优化算法，并非总能保证找到全局最优，你的问题主要由以下几个关键因素导致：

1. 默认随机跳转步长过小 #

Basinhopping的核心逻辑是：先从起始点做局部优化得到一个局部最小值，再通过随机跳转到新位置，重复局部优化过程。默认的stepsize=0.5步长太小，从x0=-6出发，每次跳转的范围仅在-6±0.5左右，根本碰不到x=0所在的区域。而你的函数在x<0区间存在多个局部最小值（比如x≈-7.7、x≈-4.5），算法只能在这些邻近的局部最优之间来回跳转，无法突破到全局最优区域。

2. 迭代次数与随机性的限制 #

你设置的n_iter=100不算多，再加上步长过小，100次迭代的搜索范围非常有限。而且随机算法本身带有运气成分，在小步长下，迭代次数不足时，算法恰好跳到x=0附近的概率极低。

3. 目标函数的局部最优分布特性 #

你的目标函数f(x)=(x·sin(x)+2x)² = [x(sin(x)+2)]²，由于sin(x)≥-1，所以sin(x)+2≥1，只有x=0时f(x)=0（全局最小值）。但x<0区间内，函数存在多个局部最小值点，这些局部最优的"吸引力"让算法在起始点附近的局部最优区域内停滞，无法跳出。

可行的改进方案 #

• 调大跳转步长：手动设置stepsize参数，比如设为5，让随机跳转的范围覆盖到x=0区域：

  ret = basinhopping(f, x0, minimizer_kwargs=minimizer_kwargs, niter=n_iter, stepsize=5)
  

• 增加迭代次数：将n_iter提升至500或1000，提升算法触及全局最优区域的概率。
• 移除不必要的@np.vectorize：你的函数本身是标量输入，np.vectorize会额外增加计算开销，直接定义普通函数即可：

  def f(x):
      return (x * np.sin(x) + 2*x) ** 2
  

• 多起始点搜索：用多个不同的起始点（比如x0=-6、0、1等）分别运行basinhopping，最后取所有结果中的最优值。

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