模型参考自适应搜索 (MRAS)

class pypop7.optimizers.cem.mras.MRAS(problem, options)

模型参考自适应搜索 (MRAS)。

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’ - 初始全局步长，也称为变异强度 (float)，

  • ‘mean’ - 初始（起始）点，也称为高斯搜索分布的均值 (array_like)，

    • 如果未给出，它将从一个均匀分布中随机抽样，该分布的搜索范围由 problem[‘lower_boundary’] 和 problem[‘upper_boundary’] 界定。

  • “n_individuals” - 后代数量，也称为后代种群大小 (int，默认值：1000)，

  • “p” - 作为父代的样本百分比 (int，默认值：0.1)，

  • “alpha” - 样本/个体的增长因子 (float，默认值：1.1)，

  • “v” - 用于搜索分布更新的平滑因子 (float，默认值：0.2)。

示例

使用优化器最小化著名的测试函数 Rosenbrock

>>> import numpy  # engine for numerical computing
>>> from pypop7.benchmarks.base_functions import rosenbrock  # function to be minimized
>>> from pypop7.optimizers.cem.mras import MRAS
>>> 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': 10}  # the global step-size may need to be tuned for better performance
>>> mras = MRAS(problem, options)  # initialize the optimizer class
>>> results = mras.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"MRAS: {results['n_function_evaluations']}, {results['best_so_far_y']}")
MRAS: 5000, 0.18363570418709932

关于其编码的正确性检查，请参阅这份基于代码的可重复性报告以获取更多详情。

alpha

样本/个体的增长因子。

类型:

float

mean

初始（起始）点，也即高斯搜索分布的均值。

类型:

array_like

n_individuals

子代数量，也称为子代种群大小。

类型:

int

p

作为父代的样本百分比。

类型:

float

sigma

初始全局步长，也称为变异强度，

类型:

float

v

用于搜索分布更新的平滑因子。

类型:

float

参考文献

Hu, J., Fu, M.C. and Marcus, S.I., 2007. A model reference adaptive search method for global optimization. Operations Research, 55(3), pp.549-568. https://pubsonline.informs.org/doi/abs/10.1287/opre.1060.0367