经典差分进化 (CDE)

class pypop7.optimizers.de.cde.CDE(problem, options)

经典差分进化 (CDE)。

注意

通常，DE/rand/1/bin 被视为 DE 的经典/基础版本。CDE 通常用于优化维度相对较低（例如，<< 1000）的搜索空间。它的两位创建者（Kenneth Price 和 Rainer Storn）荣获了 2017 年 IEEE-CIS 颁发的进化计算先驱奖。

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/成本函数 (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’ - 后代数量，也称为后代种群大小 (int，默认值：100)，

  • “f” - 变异因子 (float，默认值：0.5)，

  • “cr” - 交叉概率 (float，默认值：0.9)。

示例

使用优化器 CDE 来最小化著名的测试函数 Rosenbrock 函数

>>> import numpy
>>> from pypop7.benchmarks.base_functions import rosenbrock  # function to be minimized
>>> from pypop7.optimizers.de.cde import CDE
>>> 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': 0}
>>> cde = CDE(problem, options)  # initialize the optimizer class
>>> results = cde.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"CDE: {results['n_function_evaluations']}, {results['best_so_far_y']}")
CDE: 5000, 2.0242437417701847e-07

关于 Python 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。

cr

交叉概率。

类型:

float

f

变异因子。

类型:

float

n_individuals

子代数量，也称为子代种群大小。

类型:

int

参考文献

Price, K.V., 2013. 差分进化 (Differential evolution)。载于《优化手册》(Handbook of Optimization) (pp. 187-214)。Springer。

Price, K.V., Storn, R.M. and Lampinen, J.A., 2005. 差分进化：一种实用的全局优化方法 (Differential evolution: A practical approach to global optimization)。 Springer Science & Business Media。

Storn, R.M. and Price, K.V. 1997. 差分进化——一种简单高效的连续空间全局优化启发式算法 (Differential evolution – A simple and efficient heuristic for global optimization over continuous spaces)。《全局优化杂志》(Journal of Global Optimization)，11(4)，pp.341–359。(Kenneth Price 和 Rainer Storn 荣获了 2017 年 IEEE CIS 颁发的进化计算先驱奖。)