去随机化自适应演化策略 (DSAES)

class pypop7.optimizers.es.dsaes.DSAES(problem, options)

去随机化自适应演化策略 (DSAES)。

注意

DSAES 使用一个相对较小的种群，动态地调整所有个体的步长。默认设置（即使用一个小种群）可能会导致相对较快的（局部）收敛，但在多峰值适应度地形上可能会有陷入次优解的风险。因此，对于大规模黑盒优化问题，建议首先尝试更高级的演化策略变体（例如 LMCMA、LMMAES）。此处包含 DSAES 主要用于基准测试和理论研究目的。

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’ - 后代数量，也称为后代种群大小 (int，默认值：10)，

  • ‘lr_sigma’ - 全局步长自适应的学习率 (float，默认值：1.0/3.0)。

示例

使用黑盒优化器 DSAES 来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.es.dsaes import DSAES
>>> problem = {'fitness_function': rosenbrock,  # to define problem arguments
...            'ndim_problem': 2,
...            'lower_boundary': -5.0*numpy.ones((2,)),
...            'upper_boundary': 5.0*numpy.ones((2,))}
>>> options = {'max_function_evaluations': 5000,  # to set optimizer options
...            'seed_rng': 2022,
...            'mean': 3.0*numpy.ones((2,)),
...            'sigma': 3.0}  # global step-size may need to be tuned
>>> dsaes = DSAES(problem, options)  # to initialize the optimizer class
>>> results = dsaes.optimize()  # to run the optimization/evolution process
>>> # to return the number of function evaluations and the best-so-far fitness
>>> print(f"DSAES: {results['n_function_evaluations']}, {results['best_so_far_y']}")
DSAES: 5000, 1.9916050765897666e-07

关于其代码的正确性检查，请参阅这份基于代码的可重复性报告以获取更多详情。

best_so_far_x

在整个优化过程中找到的迄今为止最优的解。

类型:

array_like

best_so_far_y

在整个优化过程中找到的迄今为止最优的适应度。

类型:

array_like

lr_sigma

全局步长自适应的学习率。

类型:

float

mean

初始（起始）点，也即高斯搜索分布的均值。

类型:

array_like

n_individuals

子代数量，也称为子代种群大小。

类型:

int

sigma

初始全局步长，也称为变异强度。

类型:

float

_axis_sigmas

来自精英个体的最终个体步长。

类型:

array_like

参考文献

Hansen, N., Arnold, D.V. and Auger, A., 2015. Evolution strategies. In Springer Handbook of Computational Intelligence (pp. 871-898). Springer, Berlin, Heidelberg.

Ostermeier, A., Gawelczyk, A. and Hansen, N., 1994. 一种演化策略自适应的去随机化方法。 Evolutionary Computation, 2(4), pp.369-380。