三角变异差分进化 (TDE)

class pypop7.optimizers.de.tde.TDE(problem, options)[源代码]

三角变异差分进化 (TDE)。

参数:
  • problem (dict) –

    问题参数,包含以下通用设置 ()
    • '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 ()
    • '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 ()
    • “n_individuals” - 后代数量,也称为后代种群大小(int,默认值:30),

    • “f” - 变异因子(float,默认值:0.99),

    • “cr” - 交叉概率(float,默认值:0.85),

    • “tm” - 三角变异概率(float,默认值:0.05)。

示例

使用优化器最小化著名的测试函数 Rosenbrock

 1>>> import numpy
 2>>> from pypop7.benchmarks.base_functions import rosenbrock  # function to be minimized
 3>>> from pypop7.optimizers.de.tde import TDE
 4>>> problem = {'fitness_function': rosenbrock,  # define problem arguments
 5...            'ndim_problem': 2,
 6...            'lower_boundary': -5*numpy.ones((2,)),
 7...            'upper_boundary': 5*numpy.ones((2,))}
 8>>> options = {'max_function_evaluations': 5000,  # set optimizer options
 9...            'seed_rng': 0}
10>>> tde = TDE(problem, options)  # initialize the optimizer class
11>>> results = tde.optimize()  # run the optimization process
12>>> # return the number of function evaluations and best-so-far fitness
13>>> print(f"TDE: {results['n_function_evaluations']}, {results['best_so_far_y']}")
14TDE: 5000, 6.420787226215637e-21

关于其编码的正确性检查,请参阅此基于代码的可复现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

tm

三角变异概率。

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

Fan, H.Y. and Lampinen, J., 2003. 差分进化的三角变异操作。 Journal of Global Optimization, 27(1), pp.105-129.