Python scipy优化中的步长最小化

我通过改变3个参数来运行模拟。对于每个模拟，我计算一个指数，告诉我模拟是否在改善（较低的指数）。 为此，我使用了

scipy.optimize.minimize

，但我不确定哪种方法最好（我正在尝试了解更多）

def启动器（x0）：
#可变参数#
变化的_p（x0[0]，x0[1]，x0[2]）
运行模拟（模拟）
结果=导入结果（模拟）
索引=索引计算（数据来源、数据目的、模拟、结果）
值=索引['CHI_tot'].iloc[-1]
返回值

每个参数在我用“界限”表示的范围内变化

当我启动模拟时，每个参数都会随着非常小的步骤而变化。有一种方法不仅可以定义变化范围，还可以定义每个参数的步骤（例如，步骤

50

）

这是否有助于更快地获得优化结果

v_cp=999.209
v_ρ=1249.94
v_λ=0.2815
initialcond=np.数组（[v_cp，v_rho，v_lambda]）
#界限：仅对方法L-BFGS-B、TNC、SLSQP、Powell和trust constr有效
界限=[（4001600），（4001600），（0.1,1.2）]
res=minimize（启动器，initialcond，bounds=bounds，method='L-BFGS-B'，options={'maxiter'：10}）
打印（res.x）

所有基于SciPy梯度的优化器（L-BFGS-B、SLSQP等）显然都期望目标函数的梯度。如果你不提供它，他们会尝试为你计算一个数值，使用一些可笑的小步长（比如10^-6）。这可能就是你看到的。两个“变通办法”：

我似乎记得有些优化器允许您为梯度计算设置步长（“eps”参数）

（更好）在调用优化器时将参数规格化为0到1之间，并在调用外部模拟器之前将其反规格化

---

欢迎至少对我来说，如果你能制定出更多你想要实现的目标，这将是很有帮助的。首先，我想知道你的

启动器是否真的是一个平滑函数（这是基于梯度的
L-BFGS-B
的先决条件）。此外，参数空间中的步长由非常成熟的基础数学给出；我怀疑你可以通过手动步长控制来加快速度。您对
L-BFGS-B
了解多少？您希望控制什么？感谢您及时回复。不幸的是，我对L-BFGS-B知之甚少，我希望了解更多。该函数调用一个仿真软件，该软件反过来启动一个仿真。所得数据与实验数据进行了比较。在python中，我总是计算一个统计指数，告诉我是否接近实际测量数据。所以我不知道在这种情况下如何使用平滑函数。我已尝试打印尝试优化器的所有尝试（839.844919951963）。也许我应该改变方法类型？请注意，该算法通过有限差分近似梯度。这可能是您看到的小步长，最好使用无导数（DFO）方法。