optimize.curve_fit的lm方法和bound冲突

请问如果用了optimize.curve_fit的‘lm’方法，但‘lm’和对参数设边界（>0）矛盾，只能用‘trf’，导致拟合结果很奇怪，有啥能够兼顾lm和边界的方法吗，或许不能用scipy?

“Devil组”引证GPT后的撰写：
要在优化过程中同时使用 Levenberg-Marquardt（LM）方法和参数边界，则可以考虑使用其他的优化库，例如 lmfit 或 cma-es。

lmfit 库是一个专门用于拟合的 Python 库，它提供了许多与参数拟合相关的函数和类。其中包括一个 Minimizer 类，它使用 LM 算法，并且允许您在拟合过程中设置参数边界。

下面是一个使用 lmfit 库拟合一个正弦函数的例子：

import numpy as np
import matplotlib.pyplot as plt
from lmfit import Model

# Define the model
def sine(x, amplitude, frequency, phase, offset):
    return amplitude * np.sin(2 * np.pi * frequency * x + phase) + offset

# Generate some noisy data
x = np.linspace(0, 2 * np.pi, 50)
y = sine(x, 1, 1, 0, 0) + np.random.normal(0, 0.1, 50)

# Define the LM model
model = Model(sine)

# Set the parameter bounds
model.set_param_hint('amplitude', min=0)
model.set_param_hint('frequency', min=0)
model.set_param_hint('offset', min=0)

# Fit the model to the data
result = model.fit(y, x=x, amplitude=0.5, frequency=2, phase=0, offset=0)

# Plot the results
plt.scatter(x, y)
plt.plot(x, result.best_fit)
plt.show()

# Print the fitted parameters
print(result.params)

cma-es 库是另一个常用的全局优化库，它可以在不知道参数范围的情况下进行优化。该库使用进化策略算法来寻找全局最优解。下面是一个使用 cma-es 库拟合同样正弦函数的例子：

import numpy as np
import matplotlib.pyplot as plt
import cma

# Define the objective function
def objective_function(params):
    amplitude, frequency, phase, offset = params
    y_pred = amplitude * np.sin(2 * np.pi * frequency * x + phase) + offset
    error = np.sum((y - y_pred) ** 2)
    return error

# Generate some noisy data
x = np.linspace(0, 2 * np.pi, 50)
y = np.sin(x) + np.random.normal(0, 0.1, 50)

# Set the initial guess
initial_guess = [0.5, 2, 0, 0]

# Set the bounds
bounds = [[0, np.inf], [0, np.inf], [0, 2 * np.pi], [0, np.inf]]

# Run the optimizer
result = cma.fmin(objective_function, initial_guess, bounds=bounds)

# Plot the results
plt.scatter(x, y)
plt.plot(x, result[0] * np.sin(2 * np.pi * result[1] * x + result[2]) + result[3])
plt.show()

# Print the fitted parameters
print(result)