Python：具有潜在随机输出的函数的最小化

我想最小化一个具有潜在随机输出的函数。传统上，我会使用scipy.optimize库中的一些东西，但是如果输出不是确定性的，我不确定它是否仍然有效

下面是我正在处理的问题的一个最小示例：

def myfunction(self, a): 
    noise = random.gauss(0, 1)
    return abs(a + noise)

关于如何通过算法最小化其预期（或平均）值，有什么想法吗

只要数值近似值能“相对”接近实际值，就可以了

---

我们已经通过对许多可能的运行进行平均来减少噪声，但是该函数的计算成本有点高，如果我们能够帮助的话，我们不想进行更多的平均。

结果表明，对于我们使用scipy.optimize anneal算法的应用程序，提供了足够好的局部最大值估计

---

对于更复杂的问题，pjs指出，Waeber、Frazier和Henderson（2011）提供了更好的解决方案。

我不确定最小化输出为随机的函数是否有意义-您甚至如何定义此类函数的最小值？如果噪声量取决于自变量的值，则根据噪声的分布，即使是平坦函数，如

f（x）=0

，也可能在不同位置取最小值。为什么你不能简单地最小化你已经得到的平均采样？同样，你不能对函数进行回归，并以非数值方式最小化？你需要一个正确的最小值或近似值吗？例如，在后一种情况下，您可以进行模拟退火。如果f（x）是随机的，则最小f（x）取决于实现。也许你想要f（x）的最小期望值？是的。我想要最小的期望值。我会更新主帖子。理想情况下，我希望在数值上最小化；我只是需要一个很好的估计。