协同合作协演化协方差矩阵自适应算法 (COCMA)

class pypop7.optimizers.cc.cocma.COCMA(problem, options)

协同合作协演化协方差矩阵自适应算法 (CoOperative CO-evolutionary Covariance Matrix Adaptation, COCMA)。

注意

对于 COCMA，CMA-ES 被用作子优化器，因为它可以在每个子空间中学习变量依赖关系，从而加速局部收敛。这里，采用最简单的循环分解来处理不可分的目标函数，这可以说是大多数现实世界应用中的普遍特征。

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 (key)

  • “n_individuals” - 个体/样本的数量，也称为种群大小（int，默认值：100）。

  • 'sigma' - 初始全局步长（浮点型，默认为：problem['upper_boundary'] - problem['lower_boundary']/3.0），

  • 'ndim_subproblem' - 用于分解的子问题的维度（整型，默认为：30）。

示例

使用黑箱优化器 COCMA 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.cc.cocma import COCMA
>>> 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': 2022}
>>> cocma = COCMA(problem, options)  # to initialize the optimizer class
>>> results = cocma.optimize()  # to run the optimization/evolution process
>>> print(f"COCMA: {results['n_function_evaluations']}, {results['best_so_far_y']}")
COCMA: 5000, 0.0004

为了检查其编码的正确性，我们无法提供基于代码的可复现性报告，因为此实现结合了不同的论文。据我们所知，目前几乎没有设计良好、可公开用于不可分黑箱优化的 CC Python 代码。

n_individuals

个体/样本的数量，也称为种群大小。

类型:

int

sigma

初始全局步长。

类型:

float

ndim_subproblem

用于分解的子问题的维度。

类型:

int

参考文献

Mei, Y., Omidvar, M.N., Li, X. and Yao, X., 2016. A competitive divide-and-conquer algorithm for unconstrained large-scale black-box optimization. ACM Transactions on Mathematical Software, 42(2), pp.1-24. https://dl.acm.org/doi/10.1145/2791291

Potter, M.A. and De Jong, K.A., 1994, October. A cooperative coevolutionary approach to function optimization. In International Conference on Parallel Problem Solving from Nature (pp. 249-257). Springer, Berlin, Heidelberg. https://link.springer.com/chapter/10.1007/3-540-58484-6_269