有限内存协方差矩阵自适应进化策略 (LMCMAES)

class pypop7.optimizers.es.lmcmaes.LMCMAES(problem, options)[源代码]

有限内存协方差矩阵自适应进化策略 (LMCMAES)。

注意

为了获得可能更好的性能，请首先使用其最新版本 LMCMA。此处包含它主要是为了基准测试。

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。
- ’m’ - 方向向量的数量（int，默认值：4 + int(3*np.log(problem[‘ndim_problem’]))），
- ’n_steps’ - 向量之间目标代数（int，默认值：options[‘m’]），
- ’c_c’ - 进化路径更新的学习率（float，默认值：1.0/options[‘m’]）。
- ’c_1’ - 协方差矩阵自适应的学习率（float，默认值：1.0/(10.0*np.log(problem[‘ndim_problem’] + 1.0))），
- ’c_s’ - 种群成功规则的学习率（float，默认值：0.3），
- ’d_s’ - 种群成功规则的延迟率（float，默认值：1.0），
- ’z_star’ - 种群成功规则的目标成功率（float，默认值：0.25），
- ‘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 LMCMAES 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.lmcmaes import LMCMAES
>>> 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 for optimality
>>> lmcmaes = LMCMAES(problem, options)  # to initialize the optimizer class
>>> results = lmcmaes.optimize()  # to run the optimization/evolution process
>>> print(f"LMCMAES: {results['n_function_evaluations']}, {results['best_so_far_y']}")
LMCMAES: 5000, 7.8681e-12