python-adaptive/adaptive

解决的问题

自适应方法通过避免密集网格采样，降低了数学函数评估的计算成本。它不计算参数空间中的每一个点，而是智能地选择下一个最有信息量的点进行采样，这在每次评估耗时50毫秒或更长的昂贵计算中尤其有用。

工作原理

该库使用「学习者」在定义的参数空间内最有趣的位置对函数进行采样。随着评估点的增加，学习者会不断优化对函数的理解，从而优化后续采样位置。它支持通过 concurrent.futures、mpi4py、loky、ipyparallel 和 distributed 等后端在多个核心或机器上并行执行。

适用人群

专为需要高效映射多维函数但又不希望在参数空间中无关区域浪费资源的研究人员和开发者设计，适用于数值分析或函数优化任务。

特性亮点

• 智能自适应采样：将评估集中在关键区域，节省时间和资源。
• 并行执行：可在计算集群上扩展评估，加快结果生成速度。
• 实时可视化：为 Jupyter Notebook 提供实时绘图和信息小部件。
• 多维支持：支持一维或多维的标量或向量输出函数。
• 灵活导出：学习到的数据可导出为 NumPy 数组或 Pandas DataFrame。
• 可定制化：支持多种损失函数，并提供多种学习者类型（1D、2D、ND、Average、Integrator 和 Balancing 学习者）。