scipy.optimize.dual_annealing 中允许使用什么 `visit` 参数值？
What `visit` parameter value is allowed in scipy.optimize.dual_annealing?
我尝试使用 scipy.optimize.dual_annealing 来最小化一个有 8 个参数的函数。搜索 space（由我的 bounds 定义）相当广泛，但我知道解决方案接近 x0。因此，在阅读 here 的文档后，我决定使用较小的 visit 参数值，默认值为 2.62 并且应该在 (0, 3).
范围内
当我使用 visit=0.8 时，我得到一个 RuntimeWarning: invalid value encountered in log 事实上，在源代码中我发现了这个：
self._factor2 = np.exp((4.0 - self._visiting_param) * np.log(self._visiting_param - 1.0))
（_dual_annealing.py 的 l.62）
（基本上 self._visiting_param 被直接指定为 visit 的值）
所以我想可能是文档有误，访问范围是(1,3).
当我使用 visit=1.2 时，我得到一个 FloatingPointError：在日志 中遇到无效值，由于这次是
x *= np.exp(-(self._visiting_param - 1.0) * np.log(self._factor6 / factor4) / (3.0 - self._visiting_param))
（_dual_annealing.py 的 l.121）
其中 self._factor6 为负数。
这是一个真正的错误，一个错误的文档，还是我误解了什么？为了搜索接近 x0，我可以为 visit 参数使用什么值？
我的理解是你是对的，没有正确指定访问参数的取值范围。事实上，在极限情况 1 中，算法（理论上）恢复（经典）模拟退火，如 paper 中所述。然而，其中描述的实际实现（也从中获取 scipy 的实现）似乎仅适用于大于 1.4 的值。
我为此在 github 上创建了一个问题：
https://github.com/scipy/scipy/issues/12384
我尝试使用 scipy.optimize.dual_annealing 来最小化一个有 8 个参数的函数。搜索 space（由我的 bounds 定义）相当广泛，但我知道解决方案接近 x0。因此，在阅读 here 的文档后，我决定使用较小的 visit 参数值，默认值为 2.62 并且应该在 (0, 3).
当我使用 visit=0.8 时，我得到一个 RuntimeWarning: invalid value encountered in log 事实上，在源代码中我发现了这个：
self._factor2 = np.exp((4.0 - self._visiting_param) * np.log(self._visiting_param - 1.0))
（_dual_annealing.py 的 l.62）
（基本上 self._visiting_param 被直接指定为 visit 的值）
所以我想可能是文档有误，访问范围是(1,3).
当我使用 visit=1.2 时，我得到一个 FloatingPointError：在日志 中遇到无效值，由于这次是
x *= np.exp(-(self._visiting_param - 1.0) * np.log(self._factor6 / factor4) / (3.0 - self._visiting_param))
（_dual_annealing.py 的 l.121）
其中 self._factor6 为负数。
这是一个真正的错误，一个错误的文档，还是我误解了什么？为了搜索接近 x0，我可以为 visit 参数使用什么值？
我的理解是你是对的，没有正确指定访问参数的取值范围。事实上，在极限情况 1 中，算法（理论上）恢复（经典）模拟退火，如 paper 中所述。然而，其中描述的实际实现（也从中获取 scipy 的实现）似乎仅适用于大于 1.4 的值。
我为此在 github 上创建了一个问题： https://github.com/scipy/scipy/issues/12384