Python 如何加快basinhopping全局优化

我正在开发一个程序，它应该执行大约6750次优化。现在的问题是，一次优化的持续时间约为3分钟。乍一看这似乎不多，但如果我必须执行6750次，我将等待2周。。。显然这不是我想要的，因此我的问题是如何提高basinhopping全局优化算法的速度。我有一种感觉，我在这里忘记了一些东西，比如另一种方法或一些可能对我有帮助的参数。只是我不知道是什么

简言之，我有两个问题。一个优化在收敛前可能需要3分钟，这是否正常？我该如何加速优化

下面是一段代码，显示了我目前的工作方式。第一种方法完成1750次优化，第二种方法完成5000次优化

minimizer_kwargs = {"method": "L-BFGS-B"}
x0 = [100]
func = lambda x: calculate_score(x)
ret = op.basinhopping(func, x0, stepsize=5, minimizer_kwargs=minimizer_kwargs)
print(ret.x[0])

minimizer_kwargs = {"method": "L-BFGS-B"}
x0 = [100, 100]
func = lambda x: calculate_score(x[0], x[1])
ret = op.basinhopping(func, x0, stepsize=5, minimizer_kwargs=minimizer_kwargs)
print(ret.x[0], ret.x[1])

---

以下几点建议的简单顺序如下：1）在多个核/机器上并行执行，2）在优化程序上放宽初始公差，然后在您关心的几个核上重新运行，3）编写代码以计算

func

的梯度，并将其传递给优化程序感谢您的帮助。然而，我不太清楚你在第二点中说的是什么。你说的“宽松的初始公差”和“对我关心的少数人更紧”是什么意思。还有，如你在第3点中提到的，我在哪里可以找到如何计算函数梯度的方法吗？我所说的“容差”是指scipy用来定义它用来确定何时停止的标准的措辞（搜索

tol

）。如果你让它停止时，它的“轻微”更糟，这可以节省大量的时间，而不会严重影响结果。至于计算梯度，这需要了解

calculate_score

和一些微积分（我应该注意，我没有使用

basinhopping

，而是编写了运行数月CPU时间的蒙特卡罗优化例程）