Cholesky-CMA-ES 2009 (CCMAES2009)
- class pypop7.optimizers.es.ccmaes2009.CCMAES2009(problem, options)[源代码]
Cholesky-CMA-ES 2009 (CCMAES2009)。
- 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),
‘mean’ - 初始(起始)点,也称为高斯搜索分布的均值 (array_like),
如果未给出,它将从一个均匀分布中随机抽样,该分布的搜索范围由 problem[‘lower_boundary’] 和 problem[‘upper_boundary’] 界定。
‘n_individuals’ - 子代数量,也称为子代种群大小 (int,默认值:4 + int(3*np.log(problem[‘ndim_problem’]))),
'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
使用黑盒优化器 CCMAES2009 来最小化著名的测试函数 Rosenbrock
1>>> import numpy # engine for numerical computing 2>>> from pypop7.benchmarks.base_functions import rosenbrock # function to be minimized 3>>> from pypop7.optimizers.es.ccmaes2009 import CCMAES2009 4>>> problem = {'fitness_function': rosenbrock, # to define problem arguments 5... 'ndim_problem': 2, 6... 'lower_boundary': -5.0*numpy.ones((2,)), 7... 'upper_boundary': 5.0*numpy.ones((2,))} 8>>> options = {'max_function_evaluations': 5000, # to set optimizer options 9... 'seed_rng': 2022, 10... 'mean': 3.0*numpy.ones((2,)), 11... 'sigma': 3.0} # global step-size may need to be fine-tuned for better performance 12>>> ccmaes2009 = CCMAES2009(problem, options) # to initialize the optimizer class 13>>> results = ccmaes2009.optimize() # to run the optimization/evolution process 14>>> print(f"CCMAES2009: {results['n_function_evaluations']}, {results['best_so_far_y']}") 15CCMAES2009: 5000, 2.1572e-16
关于其 Python 编码的正确性检查,请参阅这份基于代码的可复现性报告以了解所有细节。关于基于 pytest 的自动化测试,请参阅 test_ccmaes2009.py。
参考文献
Suttorp, T., Hansen, N. and Igel, C., 2009. 可变度量演化策略的高效协方差矩阵更新。 机器学习, 75(2), pp.167-197。