经典进化规划 (CEP)

class pypop7.optimizers.ep.cep.CEP(problem, options)

采用自适应变异的经典进化规划 (Classical Evolutionary Programming, CEP)。

注意

为了在大规模黑盒优化问题上获得令人满意的性能，后代数量 (n_individuals) 以及初始全局步长 (sigma) 可能需要被**仔细**调整（例如，通过手动试错或自动超参数优化）。

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)

  • ‘sigma’ - 初始全局步长，也称为变异强度 (float)，

  • ’n_individuals’ - 后代数量，也称为后代种群大小 (int，默认值：100)，

  • 'q' - 用于成对比较的对手数量（int，默认值：10），

  • 'tau' - 个体步长自适应的学习率（float，默认值：1.0/np.sqrt(2.0*np.sqrt(problem['ndim_problem']))），

  • 'tau_apostrophe' - 个体步长自适应的学习率（float，默认值：1.0/np.sqrt(2.0*problem['ndim_problem'])。

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.ep.cep import CEP
>>> 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,
...            'sigma': 0.1}
>>> cep = CEP(problem, options)  # initialize the optimizer class
>>> results = cep.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"CEP: {results['n_function_evaluations']}, {results['best_so_far_y']}")
CEP: 5000, 0.3544823323771589

关于其正确性检查，请参阅这份基于代码的可复现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

q

用于成对比较的对手数量。

类型:

int

sigma

初始全局步长，也称为变异强度。

类型:

float

tau

个体步长自适应的学习率。

类型:

float

tau_apostrophe

个体步长自适应的学习率。

类型:

float

参考文献

Yao, X., Liu, Y. and Lin, G., 1999. Evolutionary programming made faster. IEEE Transactions on Evolutionary Computation, 3(2), pp.82-102. https://ieeexplore.ieee.org/abstract/document/771163

Bäck, T. and Schwefel, H.P., 1993. An overview of evolutionary algorithms for parameter optimization. Evolutionary Computation, 1(1), pp.1-23. https://direct.mit.edu/evco/article-abstract/1/1/1/1092/An-Overview-of-Evolutionary-Algorithms-for