分层协同进化 (HCC)

class pypop7.optimizers.cc.hcc.HCC(problem, options)

分层协同进化 (HCC)。

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（浮点数，默认值：problem[‘upper_boundary’] - problem[‘lower_boundary’]/3.0），

  • ‘ndim_subproblem’ - 用于分解的子问题的维度（整数，默认值：30）。

示例

使用优化器 HCC 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.hcc import HCC
>>> problem = {'fitness_function': rosenbrock,  # 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,  # set optimizer options
...            'seed_rng': 2022}
>>> hcc = HCC(problem, options)  # initialize the optimizer class
>>> results = hcc.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"HCC: {results['n_function_evaluations']}, {results['best_so_far_y']}")
HCC: 5000, 0.0057391910865252

为了检查代码的正确性，我们无法提供基于代码的可复现性报告，因为该实现结合了两篇不同的论文。据我们所知，对于非分离式黑盒优化，几乎没有设计良好的 CC 开源代码可用。

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

Gomez, F.J. and Schmidhuber, J., 2005, June. Co-evolving recurrent neurons learn deep memory POMDPs. In Proceedings of Annual Conference on Genetic and Evolutionary Computation (pp. 491-498). ACM. https://dl.acm.org/doi/10.1145/1068009.1068092