自适应多变量正态算法估计 (AEMNA)

class pypop7.optimizers.eda.aemna.AEMNA(problem, options)

自适应多变量正态算法估计 (AEMNA)。

注意

AEMNA 学习高斯采样分布的完整协方差矩阵，导致每次采样的时间复杂度为三次。因此，它现在很少用于大规模黑盒优化 (LBO)。对于LBO，强烈建议首先尝试其他更先进的优化方法。

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”- 最大运行时间（float，默认值：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，即后代种群大小（int，默认值：200），

  • 'n_parents' - 父代数量，也称为父代种群大小 (int，默认值: int(options[‘n_individuals’]/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.eda.aemna import AEMNA
>>> 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}
>>> aemna = AEMNA(problem, options)  # initialize the optimizer class
>>> results = aemna.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"AEMNA: {results['n_function_evaluations']}, {results['best_so_far_y']}")
AEMNA: 5000, 0.0023607608362747035

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。

n_individuals

子代数量，也称为子代种群大小。

类型:

int

n_parents

父代数量，也称为父代种群大小。

类型:

int

参考文献

Larrañaga, P. and Lozano, J.A. eds., 2002. Estimation of distribution algorithms: A new tool for evolutionary computation. Springer Science & Business Media.