多元正态估计算法 (EMNA)

class pypop7.optimizers.eda.emna.EMNA(problem, options)

多元正态估计算法 (EMNA)。

注意

EMNA 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方级别。因此，如今它很少用于大规模黑箱优化 (LBO)。对于 LBO 问题，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，即父代种群大小（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
>>> from pypop7.benchmarks.base_functions import rosenbrock  # function to be minimized
>>> from pypop7.optimizers.eda.emna import EMNA
>>> 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}
>>> emna = EMNA(problem, options)  # initialize the optimizer class
>>> results = emna.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"EMNA: {results['n_function_evaluations']}, {results['best_so_far_y']}")
EMNA: 5000, 0.008375142194038284

关于其代码正确性的检验，请参阅这份基于代码的可复现性报告以获取更多细节。

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. 分布估计算法：进化计算的新工具。 Springer Science & Business Media.

Larranaga, P., Etxeberria, R., Lozano, J.A. and Pena, J.M., 2000. 通过高斯网络的学习和模拟进行连续域优化。技术报告，巴斯克大学计算机科学与人工智能系。西班牙。（遗憾的是，据我们所知，这份在线文档目前已无法公开访问。）