(1+1)-Cholesky-CMA-ES 2006 (OPOC2006)

class pypop7.optimizers.es.opoc2006.OPOC2006(problem, options)[源代码]

(1+1)-Cholesky-CMA-ES 2006 (OPOC2006)。

注意

为避免计算成本高昂的特征分解操作,OPOC2006 使用时间复杂度为二次Cholesky 分解作为替代方案。对于大规模黑盒优化问题,强烈建议首先尝试更先进的 ES 变体(例如 LMCMALMMAES)。

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 OPOC2006 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.opoc2006 import OPOC2006
 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*numpy.ones((2,)),
11...            'sigma': 3.0}  # global step-size may need to be fine-tuned for better performance
12>>> opoc2006 = OPOC2006(problem, options)  # to initialize the optimizer class
13>>> results = opoc2006.optimize()  # to run the optimization/evolution process
14>>> print(f"OPOC2006: {results['n_function_evaluations']}, {results['best_so_far_y']}")
15OPOC2006: 5000, 8.9150e-17

关于其 Python 编码的正确性检查,请参阅此份基于代码的可复现性报告以了解所有细节。对于基于 pytest 的自动化测试,请参见 test_opoc2006.py

参考文献

Igel, C., Suttorp, T. and Hansen, N., 2006, July. A computational efficient covariance matrix update and a (1+1)-CMA for evolution strategies. In Proceedings of Annual Conference on Genetic and Evolutionary Computation (pp. 453-460). ACM.