协同突触神经进化 (CoOperative SYnapse NEuroevolution, COSYNE)

class pypop7.optimizers.cc.cosyne.COSYNE(problem, options)

协同突触神经进化 (CoOperative SYnapse NEuroevolution, COSYNE)。

注意

这是 COSYNE 的一个包装器，它是在 Python 库 EvoTorch 中实现的，并稍作修改。

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)

  • 'sigma' - 高斯搜索分布的初始全局步长（浮点数），

  • 'n_individuals' - 个体/样本数量，也称为种群大小（整数，默认值：100），

  • 'n_tournaments' - 用于单点交叉的锦标赛数量（整数，默认值：10），

  • 'ratio_elitists' - 精英个体比例（浮点数，默认值：0.3）。

示例

使用优化器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.cosyne import COSYNE
>>> problem = {'fitness_function': rosenbrock,  # define problem arguments
...            'ndim_problem': 2,
...            'lower_boundary': -5*numpy.ones((2,)),
...            'upper_boundary': 5*numpy.ones((2,))}
>>> options = {'max_function_evaluations': 5000,  # set optimizer options
...            'seed_rng': 2022,
...            'sigma': 0.3,
...            'x': 3*numpy.ones((2,))}
>>> cosyne = COSYNE(problem, options)  # initialize the optimizer class
>>> results = cosyne.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"COSYNE: {results['n_function_evaluations']}, {results['best_so_far_y']}")
COSYNE: 5000, 0.005023488269997175

关于其编码的正确性检查，请参阅此基于代码的可重复性报告以获取更多详情。

n_individuals

个体/样本的数量，也称为种群大小。

类型:

int

n_tournaments

用于单点交叉的锦标赛数量。

类型:

int

ratio_elitists

精英个体比例。

类型:

float

sigma

高斯搜索（变异/采样）分布的初始全局步长。

类型:

float

参考文献

Gomez, F., Schmidhuber, J. and Miikkulainen, R., 2008. Accelerated neural evolution through cooperatively coevolved synapses. Journal of Machine Learning Research, 9(31), pp.937-965. https://jmlr.org/papers/v9/gomez08a.html

https://docs.evotorch.ai/v0.3.0/reference/evotorch/algorithms/ga/#evotorch.algorithms.ga.Cosyne https://github.com/nnaisense/evotorch/blob/master/src/evotorch/algorithms/ga.py