如何为skopt中的简单多元方程优化正确定义搜索空间？

嘿，我来帮你捋清楚这个问题~ 你遇到的报错其实是skopt的参数传递逻辑和你写的函数不匹配导致的：skopt里的优化器（比如你用的dummy_minimize）会把搜索空间里的所有维度参数打包成一个单一元组传给目标函数，而不是像你预期的那样分两个独立参数传入，所以才会报缺少some_y的错误。

给你两种简单的解决办法，选哪种都可以：

方法一：修改目标函数，适配元组参数 #

直接把函数改成接收一个元组参数，然后解构出你需要的some_x和some_y，原来的搜索空间BOUNDS定义是完全没问题的：

import skopt

def black_box_function(params):
    some_x, some_y = params
    return -some_x + 2 - (some_y - 1) ** 2 + 1

BOUNDS = [(0, 100.0), (0, 100.0)]

result = skopt.dummy_minimize(func=black_box_function, dimensions=BOUNDS)
# 可以打印最优参数看看
print("最优参数：", result.x)

方法二：用Lambda包装原函数，不用修改函数本身 #

如果你不想改动原来的black_box_function，可以用lambda函数做个“适配器”，把skopt传的元组解开成两个参数传给原函数：

import skopt

def black_box_function(some_x, some_y):
    return -some_x + 2 - (some_y - 1) ** 2 + 1

BOUNDS = [(0, 100.0), (0, 100.0)]

# 用lambda把元组参数解开
result = skopt.dummy_minimize(func=lambda params: black_box_function(*params), dimensions=BOUNDS)
print("最优参数：", result.x)

两种方法都能正常运行，而且最终的最优参数应该会接近(100, 1)——毕竟你的函数里，要让返回值最小，some_x越大越好（因为前面是负号），some_y越接近1越好（因为-(some_y-1)²的最小值是0）。

备注：内容来源于stack exchange，提问作者WhiskeyHammer