自适应差分进化 (JADE)

class pypop7.optimizers.de.jade.JADE(problem, options)

自适应差分进化 (JADE)。

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)

  • ’n_individuals’ - 后代数量，也称为后代种群大小 (int，默认值：100)，

  • “mu” - 用于自适应交叉概率的正态分布均值（浮点数，默认值：0.5），

  • “median” - 用于自适应变异因子的柯西分布中位数（浮点数，默认值：0.5），

  • “p” - 变异策略的贪婪程度（浮点数，默认值：0.05），

  • “c” - 生命周期（浮点数，默认值：0.1），

  • “is_bound” - 将所有采样限制在搜索范围内的标志（布尔值，默认值：False）。

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.de.jade import JADE
>>> 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': 0}
>>> jade = JADE(problem, options)  # initialize the optimizer class
>>> results = jade.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"JADE: {results['n_function_evaluations']}, {results['best_so_far_y']}")
JADE: 5000, 4.844728910084905e-05

关于其编码正确性的检查，请参阅这份基于代码的可重复性报告以获取更多详情。

c

生命周期。

类型:

float

is_bound

将所有采样限制在搜索范围内的标志。

类型:

布尔值

median

用于自适应变异因子的柯西分布中位数。

类型:

float

mu

用于自适应交叉概率的正态分布均值。

类型:

float

n_individuals

后代数量，后代种群大小。

类型:

int

p

变异策略的贪婪程度。

类型:

float

参考文献

Zhang, J., and Sanderson, A. C. 2009. JADE: Adaptive differential evolution with optional external archive. IEEE Transactions on Evolutionary Computation, 13(5), pp.945–958.