求最小化到N个点谷歌地图距离总和的坐标优化方案

看起来你已经走对了方向，但代码里有几个关键问题导致优化没达到预期效果，咱们一步步来修正：

先排查代码里的明显错误 #

1. 循环次数逻辑错误：你在循环里用了len(np.array(df[:3]))，但这里应该遍历所有输入点，也就是len(input_g)，不然只会计算前3个点的距离总和，这肯定没法得到全局的最小距离和。
2. 优化方法选择不当：COBYLA是针对带约束的优化问题设计的，而你当前的场景只有经纬度的取值范围限制，更适合用无导数的优化方法，比如Nelder-Mead——因为谷歌地图的距离函数是黑箱，没有解析导数，这类方法对黑箱函数的优化效果更好。

修正后的完整代码示例 #

import numpy as np
from scipy.optimize import minimize
import googlemaps

def minimize_g(input_g):
    gmaps1 = googlemaps.Client(key="xxx")
    
    # 提取输入数据中的经纬度部分（假设经纬度在第2、3列）
    input_points = np.array(input_g)[:, 1:3]
    num_points = len(input_points)
    
    def distance_f(x):
        # x是当前猜测的最优候选点（格式：[纬度, 经度]）
        dist_matrix = gmaps1.distance_matrix([(x[0], x[1])], input_points)
        sum_dist = 0
        for obs in range(num_points):
            # 累加每个点到候选点的谷歌地图距离（单位：米）
            sum_dist += dist_matrix['rows'][0]['elements'][obs]['distance']['value']
        return sum_dist
    
    # 初始猜测：用输入点的经纬度质心（欧氏距离的最优解，可作为良好起点）
    centroid = input_points.mean(axis=0)
    
    # 设置经纬度的合法取值边界
    bounds = [(-90, 90), (-180, 180)]
    
    # 使用Nelder-Mead方法优化，适配无导数的黑箱函数
    optimization = minimize(distance_f, centroid, method='Nelder-Mead', bounds=bounds)
    
    return optimization.x

额外的实用优化建议 #

• API配额限制处理：scipy的优化过程会多次调用distance_f，每次调用都会触发谷歌地图API请求，很容易超出免费配额。可以：
  • 测试阶段设置options={'maxiter': 50}减少迭代次数
  • 确保你的API key有足够的调用配额，或者考虑批量处理请求（不过优化过程中候选点是动态生成的，批量缓存作用有限）
• 避免局部最优：谷歌地图的道路距离是高度非线性的，质心作为初始点可能陷入局部最优。可以尝试用输入点中的几个实际点作为初始值，分别运行优化后取最小结果。
• 自定义约束：如果你的问题有地理范围限制（比如只能在某个城市内），可以缩小bounds的范围，或者改用COBYLA添加线性约束。

验证优化结果 #

运行后可以打印完整的优化结果对象，确认是否收敛：

result = minimize_g(your_input_data)
print(result)

如果success字段为True，说明优化收敛；如果为False，可以尝试调整优化参数（比如增加maxiter），或者换用Powell方法试试。

内容的提问来源于stack exchange，提问作者Maike Fischer