再一個用於黑盒優化的 Python 庫～

pip install scikit-optimize

from skopt import gp_minimize
from skopt.space import Real
from skopt.utils import use_named_args

# 定義目標函數
@use_named_args(dimensions=[Real(-5, 5, name='x')])
def objective(x):
    return (x**2).sum()

# 進行優化
result = gp_minimize(objective, dimensions=[(-5, 5)])

# 輸出結果
print(f'Optimized value: {result.fun}')
print(f'Optimized point: {result.x}')

在這個案例中，我們首先導入了 Scikit-Optimize 庫，並定義了一個簡單的目標函數 objective，這里的目標是最小化 x^2 的和。我們使用了 @use_named_args 裝飾器將參數命名為 x。我們使用 gp_minimize 函數進行貝葉斯優化，傳遞了目標函數和搜索空間的維度

• 黑盒函數優化：當目標函數是一個黑盒函數，無法直接觀測其數學形式時，可以考慮使用 Scikit-Optimize。
• 高維空間：在高維空間中搜索最優解時，傳統的優化方法可能效率低下，而基於模型的優化方法（如貝葉斯優化）在高維空間中表現較好。
• 噪聲環境：Scikit-Optimize 對噪聲魯棒，能夠在含有一定程度噪聲的優化問題中表現良好。