Python 具有10个变量的Scipy差分进化需要多次迭代

我试图通过使用优化一个10个变量的标量函数

标量值实际上是由模拟软件计算的，每次迭代大约需要7秒。问题是，即使我将popsize设置为10，算法也需要>1000次迭代，这会导致非常长的计算时间

10个变量为5个角度和5个长度：

phi_1 to phi_5 (0 to 360 degress)
l_1 to l_5 (0 to 20 micrometer)

在每次迭代中，值（X_1、X_2、X_3、X_4、X_5、Y_1、Y_2、Y_3、Y_4、Y_5）通过以下公式计算：

X = l*sin(phi) and Y = l*cos(phi)

仿真软件根据这些输入计算标量

我试图将popsize减少到3-5，但结果不是全局最优的。我以前也尝试过不同的策略，如“rand1exp”和“best1exp”，以及基于梯度的算法（SLSQP），但问题是，由于窦函数和余弦函数，起点至关重要，这导致了许多不同的（局部）结果。我相信DE是解决这个问题的最佳算法，但我无法想象它需要超过1000次迭代来解决一个“只有”10个变量的问题

我这样给德打电话：

sol = differential_evolution(objective, popsize=10, strategy="best1bin", bounds=boundList)

---

有没有人有DE方面的经验，可以给我一些关于正确参数的提示？

我不熟悉差分进化算法，但这里有一些想法你可以考虑：

• 每次迭代7秒是非常多的。我会尽量减少这个计算时间，只要有可能……

• 如果您的标准是连续的和可微的，那么使用基于梯度的方法将是您的第一种方法。对于10个参数，基于梯度的算法至少需要10次迭代（如果您的标准是二次的）。实际上，根据收敛的难度，您应该期望更多（数百）。其他算法也可能需要相同的迭代次数

• 问题退化的事实并不取决于算法。因为phi+2*pi会给出完全相同的标准值，所以有无穷多个极小值。您需要从离解决方案不太远的地方开始。您可以尝试提供智能猜测作为参数的起始值

• Scipy中提供的一些基于梯度的方法允许对参数使用边界

---

谢谢你的建议。问题是我不能减少模拟软件的运行时间（这是一个复杂的齿轮箱模拟）。我已经尝试了多个基于梯度的方法测试，这些方法对φ1到φ5有不同的起点，比如0、90、180、270、360，每一个都给了我不同的结果。也许运行大量测试并选择具有最佳标量值的测试是最好的主意。幸运的是，基于梯度的方法比DE快得多。事实上，您的问题似乎有很多局部极小值，我不知道既便宜（迭代次数少）又能避免局部极小值的算法：（似乎对解决方案的评估是瓶颈。因此，我建议使用基于单一的元启发式方法，如迭代局部搜索。通常，在这些情况下，它更有效。我现在的解决方法是使用基于梯度的方法（SLSQP）然后我用不同的起点运行多次，以确定一个好的，但可能不是最佳的值。我认为在我的情况下，工程师必须提交他的专家知识，以设置基于梯度的算法的起点。遗憾的是，不期望r评估/模拟的时间很快就会缩短。对于此类问题，全局优化可能不可能/有效。