### 使用 `scipy.optimize.differential_evolution` 进行差分进化优化 #### 函数概述 `scipy.optimize.differential_evolution` 是 SciPy 库中的一个函数，专门用于解决全局优化问题。它通过差分进化算法寻找目标函数的最优解[^2]。 该函数的主要参数如下： - **func**: 待优化的目标函数。 - **bounds**: 参数的边界条件，通常是一个列表元组的形式表示每个变量的上下界。 - **args**: 可选参数，默认为空元组，传递给目标函数的额外参数。 - **strategy**: 差分策略，默认为 `'best1bin'`。 - **maxiter**: 最大迭代次数，默认为 1000。 - **popsize**: 种群大小，默认为 15 倍于待优化参数的数量。 - **tol**: 收敛容忍度，默认为 0.01。 - **mutation**: 控制变异的比例因子，默认为 `(0.5, 1)` 的区间。 - **recombination**: 杂交概率，默认为 0.7。 - **seed**: 随机数种子，可设置以获得可重复的结果。 - **callback**: 回调函数，在每次迭代结束时被调用。 - **disp**: 是否打印收敛消息，默认为 False。 - **polish**: 是否在最后阶段使用局部优化方法进一步改进结果，默认为 True。 - **init**: 初始化种群的方法，默认为拉丁超立方采样 (`'latinhypercube'`)。 - **atol**: 绝对误差容忍度，默认为 0。 - **workers**: 并行计算的工作线程数量，默认为单线程 (1)。 #### 示例代码 下面展示了一个简单的例子，说明如何使用 `differential_evolution` 寻找二维空间中某个简单二次函数的最小值： ```python from scipy.optimize import differential_evolution # 定义目标函数 def objective_function(x): return x[0]**2 + x[1]**2 # 设置搜索范围 bounds = [(-5, 5), (-5, 5)] # 调用差分进化算法 result = differential_evolution(objective_function, bounds) # 输出结果 print("Optimal parameters:", result.x) print("Minimum value of function:", result.fun) ``` 此代码定义了一个目标函数 \(f(x_0, x_1) = x_0^2 + x_1^2\)，并设置了两个维度上的搜索范围 \([-5, 5]\)[^3]。最终输出的是使目标函数达到最小值的最佳参数组合以及对应的函数值。 #### 实际应用案例 当需要调整支持向量机 (SVM) 的超参数时，可以利用 `differential_evolution` 自动化这一过程。例如，假设有一个自定义的目标函数来评估不同超参数下的模型性能，则可以通过以下方式实现： ```python import numpy as np from sklearn.svm import SVC from sklearn.model_selection import cross_val_score from scipy.optimize import differential_evolution # 定义目标函数（负平均交叉验证得分） def svm_objective(params): C, gamma = params model = SVC(C=C, gamma=gamma) scores = cross_val_score(model, X_train, y_train, cv=5, scoring="accuracy") return -np.mean(scores) # 设定超参数的取值范围 bounds = [(0.1, 100), (0.01, 10)] # 对应C和gamma的范围 # 执行差分进化优化 result = differential_evolution(svm_objective, bounds, maxiter=100) # 显示最佳超参数及对应的表现 print(f"Best Parameters: {result.x}") print(f"Highest Accuracy: {-result.fun:.4f}") ``` 在此示例中，我们尝试找到适合的支持向量分类器 (SVC) 的正则化强度 \(C\) 和核系数 \(\gamma\)[^1]。 ---