如何在Python中优化黑盒函数？

我有一个要优化的函数，我无法从中得到导数、Hessian或Jacobian（因此标题中有“黑匣子”）。假设我的函数如下所示：

def my_fun(some_int, some_other_int, some_string):
    return float(some_int + some_other_int + len(some_string))

请注意，我执行强制转换只是为了显示函数返回浮点数

搜索空间/约束/边界（或您如何称呼它）将是：

some_int = [1..10] # int interval
some_other_int = [1, 2, 3] # int discrete
some_string = ["methodA", "methodB", "methodC"] #discrete

我应该如何用python描述这个问题？这就是我到目前为止搜索的内容：

• Scipy似乎不接受适用于我的情况的Nelder-Mead单纯形（或Powell方法）的约束
• 。。。我不能用多元目标函数
• 还有。有人知道如何在Pyswarm中做到这一点吗

有什么想法吗？

您可以使用它的黑盒优化库：

它支持不同类型的参数。

您可以使用它的黑盒优化库：

---

它支持不同类型的参数。

关于受约束的Nelder Mead：我曾经遇到过同样的问题，我从中获取了matlab代码，并专门针对我的问题将其改写为python。希望这能有所帮助。更准确地描述

黑盒子的本质。如果函数求值很便宜，那么使用有限差分来获得梯度应该没有问题。是的，我认为它相当便宜。评估本身大约需要6秒钟，但搜索空间相当小。在这种情况下，你能提供一个例子吗？如果没有梯度信息，Scipy会自动这样做。但是，尽管6秒的代价可能会很高，但还有一个更大的问题：离散状态空间。scipy中唯一支持这一点的优化器可能是basinhopping和differential_evolution（我从未使用过）。在这里，它们都是无梯度的和可能的方法。但我要警告你：非凸混合离散连续黑盒（噪声）优化是所有方案中最糟糕的。另一种选择（但先试试那些简单的）：你可以试一试。它为计算成本高且不知道梯度的目标实施基于顺序模型的优化。（我是skopt的作者之一）关于受约束的Nelder Mead：我曾经遇到过同样的问题，我从中获取了matlab代码，并专门针对我的问题将其改写为python。希望这能有所帮助。更准确地描述
黑盒子的本质。如果函数求值很便宜，那么使用有限差分来获得梯度应该没有问题。是的，我认为它相当便宜。评估本身大约需要6秒钟，但搜索空间相当小。在这种情况下，你能提供一个例子吗？如果没有梯度信息，Scipy会自动这样做。但是，尽管6秒的代价可能会很高，但还有一个更大的问题：离散状态空间。scipy中唯一支持这一点的优化器可能是basinhopping和differential_evolution（我从未使用过）。在这里，它们都是无梯度的和可能的方法。但我要警告你：非凸混合离散连续黑盒（噪声）优化是所有方案中最糟糕的。另一种选择（但先试试那些简单的）：你可以试一试。它为计算成本高且不知道梯度的目标实施基于顺序模型的优化。（我是skopt的作者之一）