python贝叶斯优化算法代码

贝叶斯优化是一种基于贝叶斯定理的优化算法，可以用于求解黑盒函数的最优解。Python中有很多库可以实现贝叶斯优化算法，其中比较常用的是scikit-optimize和BayesianOptimization。

scikit-optimize库实现了多种全局优化算法，其中包括贝叶斯优化算法。以下是一个简单的示例代码：

from skopt import gp_minimize
from skopt.space import Real

def objective(x):
    return (x-2)**2 + (x+3)**2

space = [Real(-10, 10, name='x1'), Real(-5, 5, name='x2')]

res = gp_minimize(objective, space)

print("Minimum value found: %f" % res.fun)
print("Minimum location found: ", res.x)

在这个例子中，我们定义了一个目标函数objective，该函数接受一个长度为2的向量作为输入，并返回一个标量输出。我们使用gp_minimize函数来最小化这个函数，并指定搜索空间为两个连续变量x1和x2。最终，我们得到了最小值和最小值所在位置的输出。

BayesianOptimization库也提供了一个类似的API，以下是一个简单的示例代码：

from bayes_opt import BayesianOptimization

def objective(x, y):
    return -(x**2 + (y-1)**2)

pbounds = {'x': (-10, 10), 'y': (-5, 5)}

optimizer = BayesianOptimization(
    f=objective,
    pbounds=pbounds,
    random_state=1,
)

optimizer.maximize(n_iter=10)

print(optimizer.max)

在这个例子中，我们定义了一个目标函数objective，该函数接受两个连续变量x和y作为输入，并返回一个标量输出。我们使用BayesianOptimization类来最大化这个函数，并指定搜索空间为两个变量x和y。最终，我们得到了最大值和最大值所在位置的输出。