Go Gonum 优化的初始点为什么会影响局部解

在 Gonum 的优化任务里，换一个 initX 后得到不同的 Result.X，通常不是参数被“随机改坏了”，而是目标函数存在多个局部盆地。Minimize 从给定初始位置开始计算函数值、梯度并选择后续搜索方向；如果搜索路径被某个局部极小值吸引，最终结果就会随起点变化。

官方文档：https://pkg.go.dev/gonum.org/v1/gonum/optimize

一、先看清 Minimize 的初始位置语义

Gonum 的调用形态是 optimize.Minimize(problem, initX, settings, method)。官方说明中，第二个参数表示优化的初始位置；即使某些方法不依赖具体位置，也仍然需要用它提供问题维度。Problem.Func 必须存在，梯度法还要提供满足方法要求的 Grad。

因此，初始点影响的不是一个孤立参数，而是第一轮函数值、梯度方向、线搜索步长以及后续迭代历史。对于凸且条件良好的问题，多起点可能收敛到同一解；对于非凸问题，则可能从不同方向进入不同盆地。

二、用双谷目标函数复现不同起点

可以用一个有两个局部谷底的一维函数观察现象。下面的示例把目标函数和梯度都写出来，再用两个初始位置分别调用同一个 BFGS 方法。示例重点是比较结果，不把某一次输出当作固定答案。

package main

import (
	"fmt"
	"log"

	"gonum.org/v1/gonum/optimize"
)

// objective 构造带两个局部谷底的非凸目标函数。
func objective(x []float64) float64 {
	t := x[0]
	return 0.15*t*t*t*t - t*t + 0.2*t
}

// gradient 返回 objective 对唯一变量的一阶导数。
func gradient(grad, x []float64) {
	t := x[0]
	grad[0] = 0.6*t*t*t - 2*t + 0.2
}

func main() {
	problem := optimize.Problem{Func: objective, Grad: gradient}
	method := &optimize.BFGS{}
	starts := [][]float64{{-1.5}, {1.5}}

	for _, start := range starts {
		// 复制起点，避免把一次运行中的切片复用于下一次。
		initX := append([]float64(nil), start...)
		result, err := optimize.Minimize(problem, initX, nil, method)
		if err != nil {
			log.Printf("start=%v error=%v", start, err)
			continue
		}
		// Status.Err 用于区分正常收敛和需要处理的终止状态。
		fmt.Printf("start=%v status=%v statusErr=%v x=%v f=%g evals=%d\n",
			start, result.Status, result.Status.Err(), result.X, result.F,
			result.Stats.FuncEvaluations)
	}
}

如果两个起点落入不同的吸引域，Result.X 和 Result.F 就可能不同。这里的“局部解”是算法在当前搜索轨迹下找到的候选，不代表它已经证明了全局最小值。

三、先排除梯度和尺度造成的假象

看到起点敏感时，先不要急着更换算法。第一步是用有限差分或一个简单函数核对 Grad：梯度符号、变量顺序和边界条件任何一处不一致，都会让搜索方向偏离。若目标函数各变量的量纲差异很大，还要先做归一化或重新参数化，否则同样的起点变化会被某个大尺度变量支配。

其次要核对方法的适用条件。BFGS、LBFGS、CG 等梯度方法会使用一阶信息；没有可靠梯度时，应考虑梯度自由方法。对有噪声、离散跳变或隐式失败值的函数，不要把一次提前停止直接解释成“找到了最优”。

四、用多起点与结果指标复查

比较时固定目标函数、方法和设置，只改变 initX。至少保留每次的 Result.X、Result.F、Result.Status 和函数评估次数；若结果分成几组，说明目标函数或约束可能存在多个可达盆地。

工程上的处理顺序可以固定为：先检查梯度，再统一变量尺度；然后用一组有代表性的起点运行；最后按业务约束筛选可接受的结果。若必须提高找到更好解的机会，可以增加多起点数量，或选择更适合全局探索的方法，但仍要记录停止状态与评估预算。

相关问题

初始点不同但结果相同，说明什么？

可能目标函数在这些起点之间只有一个可达盆地，也可能方法和设置把它们都带到了同一个收敛区域。这是好现象，但仍应检查 Status、梯度大小和业务约束。

多起点能证明得到全局最优吗？

不能。多起点是经验性复查策略，不是全局最优证明；要做证明仍需利用目标函数的凸性、边界和问题结构。

结论：Gonum 初始点会影响局部解，是因为它决定了优化从哪里观察目标函数以及沿哪条搜索历史前进。把起点比较、梯度核对、尺度处理和结果指标记录组成固定清单，通常比盲目更换优化器更快定位问题。