scipy.optimize.minimize_scalar的多线程/多进程并行替代方案有哪些？

scipy.optimize.minimize_scalar() 本身实现的是Brent法、黄金分割法这类迭代式单变量优化算法，算法逻辑本身是串行的，单步迭代依赖上一步的计算结果，无法直接把单个单变量优化任务拆到多核运行。可以根据你的实际使用场景选择以下并行方案：

场景1：存在大量独立的单变量最小化任务 #

这是最常见的需要并行的场景，直接用多进程池分配任务即可，改造成本极低：

• 用Python标准库的concurrent.futures.ProcessPoolExecutor或者multiprocessing模块，把每个独立的最小化任务分配到不同核心运行
• 示例实现：

from scipy.optimize import minimize_scalar
from concurrent.futures import ProcessPoolExecutor

def target_func(x):
    # 替换为你的实际目标函数
    return x**2 + 3*x + 2

def run_single_minimize(bounds):
    return minimize_scalar(target_func, bounds=bounds, method='bounded')

if __name__ == '__main__':
    # 所有待处理的独立优化任务参数，示例为100个不同的搜索区间
    task_params = [(i, i+1) for i in range(100)]
    # 自动调用所有CPU核心执行任务
    with ProcessPoolExecutor() as executor:
        all_results = list(executor.map(run_single_minimize, task_params))

场景2：单个单变量优化任务的目标函数计算成本极高 #

如果单步调用目标函数的耗时远大于优化算法本身的迭代开销，可以使用多点并行评估的变种算法：

• 替换原有的串行点评估逻辑，每轮迭代同时生成多个候选采样点，分配到多核并行计算目标函数值，再筛选出下一轮的迭代区间
• 可以直接调用scipy.optimize.differential_evolution，针对单变量配置参数后设置workers=-1即可自动调用所有CPU核心，单变量场景下调整popsize参数控制每轮并行采样的点数，调优后收敛速度远快于串行的单变量优化算法
• 也可以自行实现并行版的黄金分割法/Brent法，每轮并行计算多个试探点的函数值，适合定制化需求

场景3：全局单变量最小化（目标函数非凸，存在多个局部极小值） #

这类场景本身需要在整个搜索区间做多点采样，天然适合并行：

• 把整个搜索区间拆成N个等分子区间，每个核心负责一个子区间的局部最小化，最后汇总所有子区间的结果取全局最小值
• 也可以用贝叶斯优化框架的并行采样能力，针对单变量配置并行评估参数，适合目标函数计算成本极高的非凸优化场景

注意事项 #

• 不要用多线程实现并行，Python的GIL会限制CPU密集型任务的线程加速，必须用多进程
• 如果单步目标函数计算耗时极短，并行引入的进程通信开销会大于收益，这种场景不需要做并行改造

内容的提问来源于stack exchange，提问作者4488970