scipy.optimize.differential_evolution是否支持处理量级差异大的参数？

核心结论 #

scipy.optimize.differential_evolution 本身不支持类似 leastsq 的自动参数缩放能力，面对量级差异较大的参数时，建议提前做归一化处理后再传入优化。

原因说明 #

• 差分进化属于启发式优化算法，核心的变异、交叉逻辑都依赖参数空间的欧氏距离计算。当不同参数的量级差超过2个数量级以上时，量级更大的参数会完全主导距离计算结果，量级小的参数的调整几乎不会对优化方向产生影响，最终会出现收敛速度慢、收敛结果落入局部最优的问题。
• lmfit对differential_evolution的封装仅做了参数边界传递、结果格式映射的适配，没有额外添加自动参数缩放的逻辑，这一点和leastsq的封装逻辑有明显区别：leastsq是基于梯度的最小二乘优化器，lmfit在封装时会自动基于参数初始值做缩放适配，所以可以直接处理量级差异较大的参数场景。

实践方案 #

你可以选择以下任意一种方式处理：

• 手动对所有参数做线性缩放，统一将参数的取值范围映射到[0,1]或者[-1,1]区间，优化完成后再反向映射回原始量级即可
• 不想手动做映射的话，也可以在定义lmfit的Parameter对象时，调整不同参数的min、max取值，让所有参数的边界范围落在相近量级，间接实现缩放效果

内容的提问来源于stack exchange，提问作者Jean Carlo Machado