基于遗传算法的局部函数拟合：平方误差和函数报错排查与解决

最近我在折腾用遗传算法（借助SciPy的differential_evolution工具）拟合不同实验的幂律模型，卡在sumOfSquaredError(parameterTuple)这个误差计算函数上好一会儿，各种报错找上门，好在最后解决了，跟大家唠唠整个过程：

遇到的坑 #

• 第一次尝试：变量未定义报错
  我先写了主函数，从pandas DataFrame里提取单实验的xData和yData，然后直接调用differential_evolution来优化sumOfSquaredError函数。结果直接炸了：NameError: xData is not defined，偶尔还伴随RuntimeError。后来才反应过来——differential_evolution调用目标函数时，只会自动传入参数元组parameterTuple，函数内部根本访问不到主函数里定义的xData和yData。

• 第二次尝试：参数传递困境
  我想着把xData、yData作为额外参数传给sumOfSquaredError，但又犯了难：parameterTuple是differential_evolution自动生成的，我不知道怎么把自己的数据集参数塞进去，完全卡壳了。

最终解决办法 #

折腾半天后，我用两个关键操作搞定了问题：

1. 声明全局变量
   把xData和yData声明为全局变量，这样sumOfSquaredError函数就能直接访问到这两个数据集，不用纠结参数传递的问题。
2. 调整数组维度
   用reshape把提取的数据调整成合适的维度，避免因维度不匹配引发RuntimeError。

示例代码 #

import pandas as pd
from scipy.optimize import differential_evolution
import numpy as np

# 全局变量存储实验数据
xData = None
yData = None

def sumOfSquaredError(parameterTuple):
    # 引用全局变量
    global xData, yData
    # 幂律模型：y = a * x^b
    a, b = parameterTuple
    yPred = a * np.power(xData, b)
    # 计算平方误差和
    return np.sum((yData - yPred) ** 2)

def fit_single_experiment_power_law(df):
    global xData, yData
    # 从DataFrame提取单实验的x、y数据，同时调整维度
    xData = df['x_column'].values.reshape(-1, 1)
    yData = df['y_column'].values.reshape(-1, 1)
    
    # 设置幂律模型参数的边界范围
    parameter_bounds = [(0, 20), (-3, 3)]  # 示例边界，可根据实际调整
    # 调用差分进化算法进行拟合
    fitting_result = differential_evolution(sumOfSquaredError, parameter_bounds)
    
    return fitting_result.x  # 返回拟合得到的参数a和b

要是不想用全局变量，其实也可以用functools.partial把数据绑定到误差函数上，不过我当时赶进度，用全局变量最快解决了问题。

内容的提问来源于stack exchange，提问作者Nankin