python中的多目标/多变量约束优化

我正在尝试使用python优化（最小化以更具体地说）一个函数。标准方法使我使用了

scipy.optimize.minimize

。但是，我有大量的变量，这些变量都有单独的约束，它们服从相同的函数，要最小化（~100000）

函数本身不是完全分析的，因为它涉及到一些使用神经网络的预测。为了加快速度并减少内存消耗，如果所有变量都可以并行优化（例如并行处理，如ML预测），这将是非常有益的。通过

多处理

，这项任务是可以完成的，但我相信如果它可以矢量化，速度会快得多

事实上，所有变量都可以独立处理，这应该是可行的

是否有人知道是否有类似于

scipy.optimize.minimize

的软件包，能够最小化具有大量自变量的向量输出函数（理想情况下，能够灵活地为每个变量合并约束和边界）

为了澄清我的意图： 我想要多个并行优化，其中一个优化的所有变量独立于所有其他优化。理想情况下，这将通过多变量多目标约束最小化程序以矢量化方式表述。对以下示例进行图像处理：

你有大约100000人的食物日记，你使用熊猫。数据框来处理数据，你训练了一些ML模型来预测食物是否适合每个人。显然，对于每个人来说，向量化任务比for循环更快。

---

现在假设您想要改变食物日记中的一些特征，例如，为某些项目找到最佳剂量或数量（这是您想要优化的）。这显然独立于所有其他个体。

为什么这些变量是独立的？如果100k变量是独立的，那么在这些变量上学习NN有什么意义？除此之外：请注意，大多数常见的算法都对确定性和可微性做出了强有力的假设，这两种假设在您的情况下都不满足。因此，可能需要进行全局/无导数优化。但仅从这一描述就很难理解您真正想要实现的目标。NN中有大约100个功能。我有N~100000个不同的观察结果。我想为每N个观测值改变100个特征中的一个。我想用一个定义好的函数来优化每个观测值的特定特性。我希望这能让事情更清楚