Rank-M 演化策略 (RMES)

class pypop7.optimizers.es.rmes.RMES(problem, options)

Rank-M 演化策略 (RMES)。

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。

  • ‘n_evolution_paths’ - 演化路径的数量 (int，默认值：2)，

  • ‘generation_gap’ - 代沟 (int，默认值：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_cov’ - 低秩协方差矩阵的学习率 (float，默认值：1.0/(3.0*np.sqrt(problem[‘ndim_problem’]) + 5.0))，

  • ‘d_sigma’ - 累积步长自适应的延迟因子 (float，默认值：1.0)。

示例

使用黑盒优化器 RMES 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.rmes import RMES
>>> 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
>>> rmes = RMES(problem, options)  # to initialize the optimizer class
>>> results = rmes.optimize()  # to run the optimization/evolution process
>>> print(f"RMES: {results['n_function_evaluations']}, {results['best_so_far_y']}")
RMES: 5000, 0.0002

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以了解所有细节。对于基于 pytest 的自动化测试，请参见 test_rmes.py。

c_cov

低秩协方差矩阵自适应的学习率。

类型:

float

d_sigma

累积步长自适应的延迟因子。

类型:

float

generation_gap

代沟。

类型:

int

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。

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

Li, Z. and Zhang, Q., 2018. 一种简单而有效的大规模黑盒优化演化策略。 IEEE Transactions on Evolutionary Computation, 22(5), pp.637-646.