隐动作蒙特卡洛树搜索 (LAMCTS)

class pypop7.optimizers.bo.lamcts.LAMCTS(problem, options)

隐动作蒙特卡洛树搜索 (LAMCTS)。

参数:

• problem (dict) –

  问题参数，包含以下通用设置 (键)

  • 'fitness_function' - 需要被最小化的目标函数 (func),

  • 'ndim_problem' - 维度数量 (int),

  • 'upper_boundary' - 搜索范围的上边界 (array_like),

  • 'lower_boundary' - 搜索范围的下边界 (array_like).

• options (dict) –

  优化器选项，包含以下通用设置 (键)

  • 'max_function_evaluations' - 函数评估的最大次数 (int, 默认: np.inf),

  • 'max_runtime' - 允许的最大运行时间 (float, 默认: np.inf),

  • 'seed_rng' - 随机数生成器的种子，需要明确设置 (int);

  以及以下特定设置 (键)

  • ’n_individuals’ - 个体/样本数量 (int, 默认: 100)，

  • “c_e” - 控制探索的因子（浮点数，默认值：0.01），

  • “leaf_size” - 叶子节点大小（整数，默认值：40）。

示例

使用黑盒优化器 LAMCTS 来最小化著名的测试函数 Rosenbrock

>>> import numpy
>>> from pypop7.benchmarks.base_functions import rosenbrock  # function to be minimized
>>> from pypop7.optimizers.bo.lamcts import LAMCTS
>>> problem = {'fitness_function': rosenbrock,  # to define problem arguments
...            'ndim_problem': 2,
...            'lower_boundary': -5.0*numpy.ones((2,)),
...            'upper_boundary': 5.0*numpy.ones((2,))}
>>> options = {'max_function_evaluations': 5000,  # to set optimizer options
...            'seed_rng': 1}
>>> lamcts = LAMCTS(problem, options)  # to initialize the optimizer class
>>> results = lamcts.optimize()  # to run the optimization process
>>> print(f"LAMCTS: {results['n_function_evaluations']}, {results['best_so_far_y']}")
LAMCTS: 5000, 0.0001

关于其编码的正确性检查，请参考这份基于代码的可复现性报告以获取更多详情。

c_e

控制探索的因子。

类型:

float

init_individuals

初始个体数量。

类型:

int

leaf_size

叶子节点大小。

类型:

int

n_individuals

个体/样本的数量。

类型:

int

参考文献

Wang, L., Fonseca, R. and Tian, Y., 2020. Learning search space partition for black-box optimization using monte carlo tree search. Advances in Neural Information Processing Systems, 33, pp.19511-19522. https://arxiv.org/abs/2007.00708 (更新版本) https://proceedings.neurips.cc/paper/2020/hash/e2ce14e81dba66dbff9cbc35ecfdb704-Abstract.html (原始版本)

https://github.com/facebookresearch/LA-MCTS (更新版本) https://github.com/facebookresearch/LaMCTS (原始版本)