Python求解含截断、限幅函数的方程的最优库与方法咨询

优先推荐实现方案 #

• 第一选择：使用Scipy的差分进化算法（differential_evolution）
  该方案为全局启发式优化算法，无需梯度信息，天然适配截断、限幅这类非光滑算子，且原生支持变量上下界约束，完全匹配当前需求。仅需将原方程转化为残差绝对值（或平方）作为优化目标即可，可直接复用已实现的后缀表达式计算器，无需额外改造逻辑。
  参考代码示例：

  from scipy.optimize import differential_evolution
  
  # 目标函数定义，输入x为变量取值数组
  def target_func(x):
      # 调用已实现的后缀表达式计算器，传入变量取值得到方程左值
      left_val = postfix_calculator(x, postfix, const_values)
      # 返回残差绝对值作为优化目标
      return abs(left_val - target_right_val)
  
  # 按变量顺序定义每个变量的上下界，格式为[(var1_min, var1_max), (var2_min, var2_max)...]
  bounds = [(-1000, 1000), (0, 50), ...]
  
  # 执行求解，tol设置为允许的误差阈值，满足条件即可提前停止
  result = differential_evolution(target_func, bounds, tol=1e-3, maxiter=200, disp=True)
  
  # 输出求解结果，整数变量可直接做就近取整处理
  sol = result.x
  

  该方案相比之前使用的SLSQP梯度类算法，不会因为截断函数梯度为0陷入停滞，且tol参数可正常生效，达到残差阈值即停止迭代，无需调整步长类参数。
• 次选：贝叶斯优化（仅差分进化迭代速度不满足要求时使用）
  若变量数量在3个以内，可使用scikit-optimize库的gp_minimize实现，采样效率高于随机类算法，同样无需梯度信息，但需要额外安装第三方库，简单场景下差分进化完全可以覆盖需求。
• 不建议使用MCMC类方法
  MCMC的核心能力是概率分布采样，用于求解单组可行解属于能力错配，收敛速度慢、调参成本高，完全不符合快速获取可行解的需求，无需投入时间研究。

场景适配优化技巧 #

• 整数变量无需在求解过程中做特殊处理，仅需在拿到求解结果后做就近取整，再通过计算器验证残差是否满足容差要求即可，绝大多数场景下均可符合要求。
• 对于限幅类无解场景（例如示例3LIMIT(3,5)(VAR_4) = 8，限幅后输出最大值仅为5，不可能等于8），可在求解完成后判断残差是否远大于容差阈值，直接标记为无解即可。
• 若需要提升求解速度，可将differential_evolution的popsize参数从默认值15调整为5-10，牺牲少量全局搜索能力换取迭代速度，对于形式简单的方程场景完全够用。

此前使用SLSQP失效的核心原因是截断、限幅属于分段常值函数，绝大多数区间梯度为0，梯度类算法落入该区间后会完全失去搜索方向，ftol不生效是因为算法判断优化无进展但无法满足停止条件，只能跑完最大迭代次数，属于方法适配性问题，无需继续在该方向调整参数。

内容的提问来源于stack exchange，提问作者Hattie35