有限内存矩阵自适应演化策略 (LMMAES)

class pypop7.optimizers.es.lmmaes.LMMAES(problem, options)[源代码]

有限内存矩阵自适应演化策略 (LMMAES)。

参数:
  • problem (dict) –

    问题参数,包含以下通用设置 ()
    • '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 ()
    • '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 ()
    • ‘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),

      • 如果未提供,它将从均匀分布中抽取一个随机样本,其搜索范围由 problem['lower_boundary']problem['upper_boundary'] 限定)。

    • 'n_evolution_paths' - 演化路径的数量(int,默认值:4 + int(3*np.log(problem['ndim_problem']))),

    • ‘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)),

    • 'c_s' - 演化路径更新的学习率(float,默认值:2.0*options['n_individuals']/problem['ndim_problem'])。

示例

使用黑箱优化器 LMMAES 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.lmmaes import LMMAES
 4>>> problem = {'fitness_function': rosenbrock,  # to define problem arguments
 5...            'ndim_problem': 200,
 6...            'lower_boundary': -5.0*numpy.ones((200,)),
 7...            'upper_boundary': 5.0*numpy.ones((200,))}
 8>>> options = {'max_function_evaluations': 500000,  # to set optimizer options
 9...            'seed_rng': 0,
10...            'mean': 3.0*numpy.ones((200,)),
11...            'sigma': 3.0}  # global step-size may need to be tuned for optimality
12>>> lmmaes = LMMAES(problem, options)  # to initialize the optimizer class
13>>> results = lmmaes.optimize()  # to run the optimization/evolution process
14>>> print(f"LMMAES: {results['n_function_evaluations']}, {results['best_so_far_y']}")
15LMMAES: 500000, 78.4967

关于其 Python 编码的正确性检查,请参阅这份基于代码的可重复性报告了解所有细节。对于基于 pytest 的自动化测试,请参见 test_lmmaes.py

c_s

演化路径更新的学习率(应 > 0.0)。

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_evolution_paths

演化路径的数量(应 > 1)。

类型:

int

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

sigma

最终的全局步长,也称为变异强度。

类型:

float

参考文献

Loshchilov, I., Glasmachers, T. and Beyer, H.G., 2019. Large scale black-box optimization by limited-memory matrix adaptation. IEEE Transactions on Evolutionary Computation, 23(2), pp.353-358.

请参阅 Glasmachers 教授的官方 Python 版本:https://www.ini.rub.de/upload/editor/file/1604950981_dc3a4459a4160b48d51e/lmmaes.py

https://visitor-badge.laobi.icu/badge?page_id=Evolutionary-Intelligence.pypop https://visitor-badge.laobi.icu/badge?page_id=Evolutionary-Intelligence.pypop-ES