python中的混合全局-局部优化：结合Differential-Evolution (PyFDE)和L_bfgs_B?

如何解决python中的混合全局-局部优化：结合Differential-Evolution (PyFDE)和L_bfgs_B?

Differential-Evolution 等全局优化更准确。其中，PyFDE 是最好的之一，因为 Cython 性能和 batch mode。但是像 L_bfgs_B 这样的局部优化要快得多。我想知道是否有混合方法？

PyFDE 示例：

import pyfde
from math import cos,pi

def fitness(p):
    x,y = p[0],p[1]
    val = 20 + (x**2 - 10*cos(2*pi*x)) + (y**2 - 10*cos(2*pi*y))
    return -val
    
solver = pyfde.ClassicDE(fitness,n_dim=2,n_pop=40,limits=(-5.12,5.12))
solver.cr,solver.f = 0.9,0.45
best,fit = solver.run()

迭代器模式：

for best,fit in solver(n_it=10):
    # custom logic here,breaking when desired
    if condition:
        break

我有一个过早的想法：（1）运行 PyFDE 以获得步骤 2 的可行初始值； (2) 运行 SciPy 的 fmin_l_bfgs_b 得到最终结果。我知道这种混合方法是不完美的，可能无法获得全局最小值。我的问题是（1）如何实现这个概念？例如，在 PyFDE 的迭代器模式中，获得第 2 步可行初始值的最佳/可能条件代码是什么？ (2) 有没有更好的概念？

非常感谢任何帮助。