如何为Python全局最小值求解选择适配算法及相关参考资源？

有没有专门的最小化问题算法选型速查表？ #

目前没有类似scikit-learn机器学习算法选型速查表那样的、被广泛认可的通用最小化问题选型工具，但行业内有成熟的决策逻辑可以直接参照。

针对你的场景的算法选择建议 #

你的约束条件非常明确：4个输入变量（属于低维优化范畴）、变量有已知边界、函数计算耗时较长，按照适配度从高到低排序：

1. 贝叶斯优化
   它并非只适用于机器学习代价函数，是通用的黑盒全局优化算法，设计初衷就是解决低维、有边界、函数调用成本高的优化问题，刚好完全匹配你的所有约束。它会通过前序的函数计算结果拟合目标函数的分布，有方向地选择下一个评估点，大幅减少无效的函数调用，是你的首选方案。
2. 凸函数场景下可选择带边界约束的局部优化器
   如果你能确定目标函数是凸函数，那局部最小值就是全局最小值，可以直接调用scipy.optimize.minimize的L-BFGS-B方法，收敛速度比贝叶斯优化更快。
3. 不推荐选择的算法
   • basinhopping：属于随机跳步类的全局优化算法，需要极多的函数调用次数才能收敛，完全不适合你的计算耗时较长的场景
   • scipy.optimize.minimize下的普通无梯度/有梯度局部优化器：仅能找到初始点附近的局部最小值，无法保证全局最优，仅适合凸函数场景

内容的提问来源于stack exchange，提问作者user733733