Scipy.optimize是否支持多进程最小化函数？文档何处可查？

请问scipy.optimize是否具备可将工作负载分配至多进程以节省时间的最小化函数？若存在，该从何处获取相关文档？

我已在网上多方查找（包括相关Stack Overflow帖子），但未找到明确说明scipy库可利用多进程同时执行、且为最小化函数提供求解最小值所需全部参数的内容；同时我查阅的scipy文档中也未详细讨论多进程相关内容，也未找到能证明优化比并行暴力法更具优势的实际案例。

以下是我期望scipy.optimize实现的示例代码（注：differential_evolution函数实际无multiprocessing参数）：

import multiprocessing as mp
from scipy.optimize import differential_evolution

def objective_function(x):
    return x[0] * 2

pool = mp.Pool(processes=16)

# Perform differential evolution optimization
result = differential_evolution(objective_function, multiprocessing = pool)

1. scipy.optimize中支持多进程的最小化函数 #

scipy.optimize确实有支持多进程并行计算的优化函数，典型的包括：

• differential_evolution：该函数支持通过workers参数实现并行，无需手动创建multiprocessing.Pool，直接指定进程数或传入进程池对象即可（适用于较新版本scipy）。
• shgo：同样支持workers参数启用多进程并行计算。
• basinhopping：可通过搭配支持并行的局部优化器，或在minimizer_kwargs中配置并行相关参数实现并行。

2. 正确的并行使用示例（以differential_evolution为例） #

针对你给出的需求，正确的并行写法如下：

from scipy.optimize import differential_evolution

def objective_function(x):
    return x[0] * 2

# 方式1：直接指定进程数
result = differential_evolution(objective_function, bounds=[(-10, 10)], workers=16)

# 方式2：传入已创建的进程池（scipy 1.6.0及以上版本支持）
import multiprocessing as mp
pool = mp.Pool(processes=16)
result = differential_evolution(objective_function, bounds=[(-10, 10)], workers=pool)

3. 相关文档获取路径 #

直接查阅scipy官方文档中对应函数的条目：

• 搜索scipy.optimize.differential_evolution，在参数说明中找到workers参数的详细解释，里面明确了并行实现方式和兼容版本。
• 其他支持并行的优化函数，可在各自的参数列表中查找workers或相关并行配置项。

4. 并行优化 vs 并行暴力法的优势 #

并行优化算法（如差分进化）的核心优势：

• 属于有导向的智能搜索，会根据迭代结果动态调整搜索方向，避免无意义的计算，相比暴力遍历参数空间，能在更少的函数评估次数内找到最优解。
• 针对高维参数空间，暴力法计算量呈指数级增长，而并行优化算法的计算量增长幅度远低于暴力法，结合多进程能进一步压缩求解时间。

内容的提问来源于stack exchange，提问作者trevdawg122