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 (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'] 和 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