Оценка параметров с использованием минимизации в Python и ускорение этого процесса

Question

Я пытаюсь найти оценки параметров, используя минимизацию.Код, который я написал, работает, но есть две проблемы:

1. Я нахожу только локальный минимум.Я попытался решить эту проблему с помощью bashopping.
2. Требуется очень много времени, пока я не получу результат, и, поскольку мне приходится делать эту минимизацию около 1000 раз, это становится большой проблемой.

Итак, мои вопросы:

1. Знаете ли вы, как я могу оптимизировать мой код, чтобы он работал быстрее для минимизации.

2. Есть лиКак я могу изменить часть бассейна, чтобы она работала быстрее?например.установите меньшее значение или другой метод, о котором я не знаю.Я попытался запустить его таким образом, и через 10 часов я не получил ответа даже для одного из 1000 человек для раздачи бассейна.

3. Есть ли другой способ найти глобальный минимум?

Не стесняйтесь задавать дополнительные вопросы, пожалуйста.

Мой код:

import numpy as np
from scipy.optimize import minimize
from scipy.optimize import basinhopping
from scipy.integrate import odeint
import pickle
import os
import pandas as pd
import datetime
import numpy.random as npr
import csv


path = "C:\\Users\Sebastian Gäumann\OneDrive\Dokumente\FS 2017\Bachelorarbeit\Python"
os.chdir(path)
###IDS
df = pd.read_csv('1_Youtuber_SingleNrSheet_Comedy.csv', sep = ";", skipinitialspace=True)                                                    ######Change Name
YoutuberID = df["Channel_ID"].tolist()


##print(YoutuberID)



with open("9_p_q_m_Fun_ExtendedBass_VIEWS_Comedy_test.csv", "w" ,newline='',encoding='utf-8') as csv_file2:                                                        ######Change Name
    csv_writer2 = csv.writer(csv_file2, delimiter=';')

    csv_writer2.writerow(["Type","p", "q", "m","Functionvalue"])



    count = 0    
    for ID in YoutuberID[0:]:                                                                                                                      ###Change

        try:

            path = "C:\\Users\Sebastian Gäumann\OneDrive\Dokumente\FS 2017\Bachelorarbeit\Python"
            os.chdir(path)

            ###ALL INFO
            Days = pd.read_csv('3_API_Call_ALL_info_Comedy_v2.csv', sep = ";", skipinitialspace=True)

            views_path = "C:\\Users\Sebastian Gäumann\OneDrive\Dokumente\FS 2017\Bachelorarbeit\Python\Daily_Views_Comedy"                                               ######Change Name
            os.chdir(views_path)

            SVR = pd.read_csv("4_COMEDY_DailyViews_Clean_" + str(count) + "_" + ID + ".csv", sep = ";", parse_dates=True,  dayfirst=True)  ######Change Name

##            print(SVR[SVR.columns[0]])

            SVR = SVR[SVR[SVR.columns[0]]< "2018-05-01"]                                                       ####CHANGE DATE FOR DIF CAT
##            print(SVR)

            #####SV Input
            SV = np.array(SVR["Daily Views"])


##            print(SV)
            Days = Days[Days["channelId"] == ID]

##            print(Days)

            Days["publishedAt"] = pd.to_datetime(Days.publishedAt)

            Days = Days[Days["publishedAt"] > "2015-01-08"] ##"2015-01-10"


##            print(Days)

            ##### Timedelta #####

            start_date = pd.to_datetime("2015-06-08")
            ##print(start_date)

            video_upload_day =[]

            for video_date in Days["publishedAt"]:
                TimeDelta = video_date - start_date
                video_upload_day.append(TimeDelta.days)

            ##print(video_upload_day)
            ##print(videoT)

            nvideos = len(video_upload_day)
            ndays = len(SV)


            videoT = np.array(video_upload_day)

##            print(videoT,nvideos,ndays)



            def objective(x):
                p = x[0] 
                q = x[1]
                m = x[2]


                estimateV = np.zeros( (ndays, nvideos) )

                for t in range( ndays ):
                    for v in range( nvideos ):
                                if videoT[v] <= t:
                                     estimateV[ t,v ] = p*m  +  (q-p) * np.sum(estimateV[0:t,v],axis=0)  -   (q/m) * (np.sum(estimateV[0:t,v],axis=0)**2)

                estimateSV = np.sum( estimateV, axis = 1 )


                return np.sum( (SV - estimateSV)**2 )

Это часть минимизации.Я сделал один для обычной минимизации, а другой - для размаха и разделил его ##.

            ###### MINIMIZATION #######

            mguess = round(sum(SV)/(nvideos*2),0)

            print(sum(SV),mguess)

            x0 = np.array([0.001, 0.01, mguess])   ####Make it less volatile to first guess? Make bigger steps for m?

            b1 = (0.00001,0.5)
            b2 = (10**4,10**7)              
            bnds = (b1,b1,b2)


##            minimizer_kwargs = dict(method="L-BFGS-B",bounds=bnds)
##            res = basinhopping(objective, x0,niter=20, minimizer_kwargs=minimizer_kwargs)

            res = minimize(objective, x0,bounds = bnds)
            print(res)

            csv_writer2.writerow(["COMEDY",res.x[0], res.x[1],res.x[2],res.fun])                     ###CHANNGE CAT

            print("CURRERNT YOUTUBER IS:",count)
            count += 1

        except:

            print("PROBLEM",count)
            count += 1
    ##        print(res,res.x[0],res.x[1],res.x[2],res.fun)