我正在构建一个脚本，该脚本生成输入数据[参数]以供另一个程序进行计算。我想优化结果数据。之前我一直在使用 numpy powell optimization。伪代码看起来像这样。
def value(param):
run_program(param)
#Parse output
return value
scipy.optimize.fmin_powell(value,param)
这很好用；然而，它的速度非常慢，因为程序的每次迭代都可能需要几天的时间才能运行。我想做的是粗粒度并行化它。因此，它不是一次运行一个迭代，而是一次运行（参数数量）*2。例如：
Initial guess: param=[1,2,3,4,5]
#Modify guess by plus minus another matrix that is changeable at each iteration
jump=[1,1,1,1,1]
#Modify each variable plus/minus jump.
for num,a in enumerate(param):
new_param1=param[:]
new_param1[num]=new_param1[num]+jump[num]
run_program(new_param1)
new_param2=param[:]
new_param2[num]=new_param2[num]-jump[num]
run_program(new_param2)
#Wait until all programs are complete -> Parse Output
Output=[[value,param],...]
#Create new guess
#Repeat
变量的数量可以是 3-12 个，因此这样的事情可能会加快代码的速度，从一年缩短到一周。所有变量都相互依赖，我只是从最初的猜测中寻找局部最小值。我已经开始使用粗麻布矩阵进行实现；然而，这相当复杂。有没有什么可以做到这一点，有没有更简单的方法，或者有什么建议可以开始？
所以首要问题如下：
是否有一种算法可以开始猜测，生成多个猜测，然后使用这些多个猜测来创建新的猜测，并重复直到找到阈值。仅可用解析导数。解决这个问题的好方法是什么？是否已经构建了可以做到这一点的东西，还有其他选择吗？
感谢您的时间。
作为一个小更新，我确实通过每个维度的三个点计算简单的抛物线，然后使用最小值作为下一个猜测来实现此目的。这似乎工作正常，但不是最佳的。我仍在寻找其他选择。
当前最好的实现是并行化鲍威尔方法的内循环。
谢谢大家的评论。不幸的是，对于这个特定问题似乎根本没有一个简洁的答案。如果我开始实施一些可以做到这一点的东西，我会将其粘贴在这里；然而，由于该项目不是特别重要或者对结果的需求紧迫，我可能会满足于让它占据一个节点一段时间。
