我遇到了以下优化问题：
目标函数是一个多变量且不可微分的函数，它将标量列表作为参数并返回标量。它是不可微分的，因为函数内的计算是基于熊猫和一系列滚动、标准等动作的。
伪代码如下：
def target_function(x: list) -> float:
# calculations
return output
此外，x 参数的每个分量都有自己的边界，定义为元组(最小值、最大值(。那么我应该如何使用 scipy.optimize 库来查找此函数的全局最小值呢？还有其他图书馆可以提供帮助吗？
我已经尝试过scipy.optimize.brute，这让我永远喜欢和scipy.optimize.minimize，它从来没有产生一个看似正确的答案。
basinhopping、brute和differential_evolution是可用于全局优化的方法。 正如您已经发现的那样，暴力全局优化不会特别有效。
差分进化是一种随机方法，应该比蛮力更好，但可能仍然需要大量的目标函数评估。 如果你想使用它，你应该使用参数，看看什么最适合你的问题。 如果您知道目标函数不是"平滑的"，这往往比其他方法更有效：函数或其导数可能存在不连续性。
另一方面，跳盆进行随机跳跃，但也在每次跳跃后使用局部放松。 如果目标函数具有许多局部最小值，但由于使用了局部松弛，则此功能非常有用，该函数应该是平滑的。 如果您不能轻松获得函数的梯度，您仍然可以尝试使用不需要此信息的本地最小化器之一进行跳盆。
scipy.optimize.basinhopping例程的优点是它非常可定制。 您可以使用take_step来定义自定义随机跳转，accept_test覆盖用于决定是继续还是放弃随机跳转和松弛结果的测试，minimizer_kwargs用于调整局部最小化行为。 例如，您可以覆盖take_step以保持在边界内，然后选择 L-BFGS-B 最小化器，它可以以数字方式估计函数的梯度以及对参数进行边界。 如果你给它一个梯度，L-BFGS-B 确实效果更好，但我在没有梯度的情况下使用它，它仍然能够很好地最小化。 请务必阅读有关局部和全局优化例程的所有参数，并在可接受的范围内调整公差等内容以提高性能。