为何多次运行以下贝叶斯优化代码无法得到相同全局最大值？

架构老林

2026-5-25

为什么多次运行贝叶斯优化代码得不到相同的全局最大值？

这是个很常见的问题，贝叶斯优化的随机性本身就是它的核心特性之一，但也正是这种随机性导致了你每次运行结果不一致。咱们来拆解下具体原因，再说说怎么固定结果：

核心原因：贝叶斯优化中的随机性来源

贝叶斯优化的第一步是随机选取一批初始点来训练代理模型（比如你用的bayes_opt里默认的高斯过程）。每次运行时，这些初始点都是随机生成的：

为了避免过早陷入局部最优，bayes_opt里的获取函数（比如默认的Expected Improvement）在选择下一个要评估的点时，通常会加入随机扰动，或者在多个候选点中做随机选择。这种设计是为了平衡“探索未知区域”和“利用已知最优区域”，但也导致了每次运行的优化路径不一样。

高斯过程作为贝叶斯优化的核心代理模型，本身就带有不确定性——尤其是在未被采样过的区域。初始采样点的不同会让模型的拟合结果产生差异，进而影响后续推荐的评估点，最终导致结果波动。

结合你的目标函数来看：你的函数有两个峰值，全局最大值在(8,0)附近，次优峰在(-8,0)附近，两者的数值差距不算特别大。这种情况下，随机性很容易让优化过程偏向其中一个峰，或者在同一个峰的不同位置停止。

如果你希望每次运行都得到相同的结果，可以通过以下方法消除随机性：

设置全局随机种子：在代码开头加入固定随机种子的代码，覆盖numpy和库内部的随机生成器：
```
import numpy as np
np.random.seed(42)  # 固定numpy的随机种子
```
同时在调用maximize方法时指定random_state参数：
```
bo.maximize(n_iter=50, random_state=42)
```
固定初始采样点：用你已经写的bo.explore方法，手动指定一批初始点，代替默认的随机初始点。这样每次运行的初始模型都是基于相同的点训练的，后续优化轨迹也会一致。
增加初始采样数量：如果不想手动指定初始点，可以调大init_points参数（比如bo.maximize(init_points=20, n_iter=30)），更多的初始点能让代理模型更准确，减少随机性带来的结果波动。

内容的提问来源于stack exchange，提问作者Potato