如何结合joblib.parallel实现differential_evolution差分进化并行优化

问题原因分析 #

• 传参错误：调用delayed(differential_evolution)((rosen, bounds))时，你把rosen和bounds打包成了一个元组作为第一个参数传入differential_evolution，不符合函数的入参要求，因此代码直接报错。
• n_jobs=1等价于串行执行，没有实现并行效果。
• 额外说明：scipy.optimize.differential_evolution本身已经内置了并行能力，不需要额外封装joblib即可实现内部计算的并行。

解决方案 #

方案1：直接使用differential_evolution内置并行参数（推荐） #

scipy 1.2.0及以上版本的差分进化函数提供了workers参数，直接指定并行进程数即可，无需引入额外依赖：

from scipy.optimize import rosen, differential_evolution

bounds = [(0,2) for _ in range(5)]
# workers设为-1时会自动使用设备所有可用CPU核心
result = differential_evolution(rosen, bounds, workers=-1)
print(result)

这种方式并行的是每一代种群的适应度计算，是单次优化任务内部的并行，性能损耗最低。

方案2：使用joblib实现多轮优化任务并行 #

如果你需要并行执行多个独立的差分进化优化任务（比如多次重复实验取最优结果），可以用修正后的joblib写法：

from scipy.optimize import rosen, differential_evolution
from joblib import Parallel, delayed

bounds = [(0,2) for _ in range(5)]
# 并行执行5次独立的优化任务，使用所有CPU核心
results = Parallel(n_jobs=-1)(delayed(differential_evolution)(rosen, bounds) for _ in range(5))

# 遍历输出所有结果
for i, res in enumerate(results):
    print(f"第{i+1}次优化结果：\n{res}\n")

注意这里调用delayed包装的函数时，参数需要分开传入，不要额外套一层括号打包成元组。

内容的提问来源于stack exchange，提问作者Charith