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指的是本地众多 “本地”之一 最小值，而不是 “全局” 最小值。现在考虑到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，我最初的预感是乘以初始起点，运行多个 curve_fit 实例并选择拟合误差最低的一个，但我个人的初步猜测估计会受到许多偏差的影响（也可能组合的数量可能相当多，这将不利于性能）。
您是否碰巧知道如何进行的更好、更快和/或更合理的方法？ （他们不需要通过最小二乘，如果需要我可以构建临时的东西）
【问题讨论】：
标签： python scipy curve-fitting least-squares
有几种可能的方法。一种方法是通过您的参数空间进行“蛮力”搜索，以在curve_fit 中找到本地求解器的候选起点。另一种是使用全局求解器，例如差分进化。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“全局最小值”。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，因为它们都需要所有参数的搜索空间的上限和下限。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。
一种常见的方法是使用brute 对每个参数使用中等大小的步长，然后从其中最好的十个中使用Levenberg-Marquardt（来自leastsq，如curve_fit 中使用的），从每个参数开始这些。同样，您可以使用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为某些参数设置上限/下限。它还为模型构建和曲线拟合提供了更高级别的接口，以及探索参数置信区间的方法。
【讨论】：
scipy.optimize 中的差分进化版本确实需要并强制执行界限......猜猜应该澄清......跨度>