scipy curve_fit 和局部最小值：尽快达到全局最小值
scipy curve_fit and local minima: get to global minima as fast as possible
我手头的问题：我正在使用 scipy curve_fit 来拟合曲线 (https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.curve_fit.html) 但在许多情况下，为此类曲线估计的参数是指局部许多 "local" 最小值而不是 "global" 最小值。现在，鉴于 curve_fit 的设计方式，这是可以预料的。不过，我真的需要我的全球最低限度。
为了找到它，我最初的直觉是乘以初始起点，运行 多个 curve_fit 实例并选择拟合误差最低的一个，但我会遇到一个数字我个人初始猜测估计中的偏差（也可能组合的数量可能相当大，这将不利于性能）。
您是否碰巧知道更好、更快的 and/or 方法上更合理的方法？ （他们不需要通过最小二乘法，如有必要我可以构建临时的东西）
有几种可能的方法。一种方法是通过您的参数 space 进行 "brute force" 搜索，以在 curve_fit 中找到局部求解器的候选起点。另一种方法是使用全局求解器，例如微分进化。当然，这两者都可能比单个 curve_fit 慢得多，但它们确实旨在找到 "global minima"。在 scipy.optimize 中，这些方法分别是 brute 和 differential_evolution。应该注意的是，这些都不是 实际上 全局优化器，因为它们都需要上限和下限来搜索 space 所有参数。尽管如此，在这些范围内，他们确实会尝试找到最佳结果，而不仅仅是接近您的起始值的局部最小值。
一种常见的方法是对每个参数使用 brute 和 medium-sized 个步骤，然后取其中最好的十个并使用 Levenberg-Marquardt（来自 leastsq，作为在 curve_fit) 中使用，从每一个开始。同样，你可以使用differential_evolution，然后进行细化。
您可能会发现 lmfit (https://lmfit.github.io/lmfit-py) 很有帮助，因为它允许您设置一次模型并在求解器之间切换，包括
brute、differential_evolution 和 leastsq。 Lmfit 还可以轻松修复某些参数或对某些参数设置 upper/lower 界限。它还提供了一个 higher-level 模型构建界面和 curve-fitting，以及探索参数置信区间的方法。
我手头的问题：我正在使用 scipy curve_fit 来拟合曲线 (https://docs.scipy.org/doc/scipy/reference/generated/scipy.optimize.curve_fit.html) 但在许多情况下，为此类曲线估计的参数是指局部许多 "local" 最小值而不是 "global" 最小值。现在，鉴于 curve_fit 的设计方式，这是可以预料的。不过，我真的需要我的全球最低限度。
为了找到它，我最初的直觉是乘以初始起点，运行 多个 curve_fit 实例并选择拟合误差最低的一个，但我会遇到一个数字我个人初始猜测估计中的偏差（也可能组合的数量可能相当大，这将不利于性能）。
您是否碰巧知道更好、更快的 and/or 方法上更合理的方法？ （他们不需要通过最小二乘法，如有必要我可以构建临时的东西）
有几种可能的方法。一种方法是通过您的参数 space 进行 "brute force" 搜索，以在 curve_fit 中找到局部求解器的候选起点。另一种方法是使用全局求解器，例如微分进化。当然，这两者都可能比单个 curve_fit 慢得多，但它们确实旨在找到 "global minima"。在 scipy.optimize 中，这些方法分别是 brute 和 differential_evolution。应该注意的是，这些都不是 实际上 全局优化器，因为它们都需要上限和下限来搜索 space 所有参数。尽管如此，在这些范围内，他们确实会尝试找到最佳结果，而不仅仅是接近您的起始值的局部最小值。
一种常见的方法是对每个参数使用 brute 和 medium-sized 个步骤，然后取其中最好的十个并使用 Levenberg-Marquardt（来自 leastsq，作为在 curve_fit) 中使用，从每一个开始。同样，你可以使用differential_evolution，然后进行细化。
您可能会发现 lmfit (https://lmfit.github.io/lmfit-py) 很有帮助，因为它允许您设置一次模型并在求解器之间切换，包括
brute、differential_evolution 和 leastsq。 Lmfit 还可以轻松修复某些参数或对某些参数设置 upper/lower 界限。它还提供了一个 higher-level 模型构建界面和 curve-fitting，以及探索参数置信区间的方法。