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 (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: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.