(1+1)-Active-CMA-ES 2015 (OPOA2015)

class pypop7.optimizers.es.opoa2015.OPOA2015(problem, options)[源代码]

(1+1)-Active-CMA-ES 2015 (OPOA2015)。

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’ - 用于随机数生成的种子,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’]problem[‘upper_boundary’] 界定。

示例

使用黑盒优化器 OPOA2015 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.opoa2015 import OPOA2015
 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>>> opoa2015 = OPOA2015(problem, options)  # to initialize the optimizer class
13>>> results = opoa2015.optimize()  # to run the optimization/evolution process
14>>> print(f"OPOA2015: {results['n_function_evaluations']}, {results['best_so_far_y']}")
15OPOA2015: 5000, 4.5792e-19

关于其 Python 编码的正确性检查,请参阅此基于代码的可重复性报告以获取所有详细信息。关于基于 pytest 的自动化测试,请参见 test_opoa2015.py

参考文献

Krause, O. 和 Igel, C.,2015年1月。一种更高效的演化策略 rank-one 协方差矩阵更新方法。发表于 ACM 遗传算法基础会议论文集(第129-136页)。