随机投影分布估计算法 (RPEDA)

class pypop7.optimizers.eda.rpeda.RPEDA(problem, options)

随机投影分布估计算法 (RPEDA)。

注意

RPEDA 使用随机矩阵理论在多个嵌入子空间上对个体进行采样，但它仍然在原始搜索空间上评估所有个体。对于大规模黑盒优化，每次采样的时间复杂度为二次方。

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，后代种群大小（int，默认值：300），

  • “n_parents”- 父代数量，父代种群大小（int，默认值：int(0.25*options[‘n_individuals’])），

  • “k”- 投影维度（int，默认值：3），

  • “m”- 随机投影矩阵的数量（int，默认值：int(np.ceil(4*options[‘n_individuals’]/options[‘k’])）。

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.rpeda import RPEDA
>>> problem = {'fitness_function': rosenbrock,  # define problem arguments
...            'ndim_problem': 20,
...            'lower_boundary': -5*numpy.ones((20,)),
...            'upper_boundary': 5*numpy.ones((20,))}
>>> options = {'max_function_evaluations': 500000,  # set optimizer options
...            'seed_rng': 2022,
...            'k': 2}
>>> rpeda = RPEDA(problem, options)  # initialize the optimizer class
>>> results = rpeda.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"RPEDA: {results['n_function_evaluations']}, {results['best_so_far_y']}")
RPEDA: 500000, 15.67048345324486

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

k

投影维度。

类型:

int

m

随机投影矩阵的数量。

类型:

int

参考文献

Kabán, A., Bootkrajang, J. and Durrant, R.J., 2016. 迈向大规模连续 EDA：随机矩阵理论视角。 Evolutionary Computation, 24(2), pp.255-291.