广义代沟与亲代中心重组 (G3PCX)

class pypop7.optimizers.ga.g3pcx.G3PCX(problem, options)

广义代沟与亲代中心重组 (G3PCX)。

注意

最初，G3PCX 由 2018 年 IEEE 进化计算先驱奖获得者 Deb 主要提出，旨在提升 GA 的效率。

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)

  • ’n_individuals’ - 种群大小 (int，默认值：100)，

  • ’n_parents’ - 亲代大小 (int，默认值：3)，

  • ’n_offsprings’ - 子代大小 (int，默认值：2)。

示例

使用优化器最小化著名的测试函数 Rosenbrock

>>> import numpy
>>> from pypop7.benchmarks.base_functions import rosenbrock  # function to be minimized
>>> from pypop7.optimizers.ga.g3pcx import G3PCX
>>> problem = {'fitness_function': rosenbrock,  # define problem arguments
...            'ndim_problem': 2,
...            'lower_boundary': -5*numpy.ones((2,)),
...            'upper_boundary': 5*numpy.ones((2,))}
>>> options = {'max_function_evaluations': 5000,  # set optimizer options
...            'seed_rng': 2022}
>>> g3pcx = G3PCX(problem, options)  # initialize the optimizer class
>>> results = g3pcx.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"G3PCX: {results['n_function_evaluations']}, {results['best_so_far_y']}")
G3PCX: 5000, 0.0

关于其编码的正确性检查，请参阅这份基于代码的可重复性报告以获取更多详情。

n_individuals

种群大小。

类型:

int

n_offsprings

子代大小。

类型:

int

n_parents

亲代大小。

类型:

int

参考文献

https://www.egr.msu.edu/~kdeb/codes/g3pcx/g3pcx.tar (参见原始 C 语言源代码。)

https://pymoo.org/algorithms/soo/g3pcx.html

Deb, K., Anand, A. 和 Joshi, D., 2002. 一种用于实数参数优化的计算高效进化算法。进化计算，10(4)，pp.371-395. https://direct.mit.edu/evco/article-abstract/10/4/371/1136/A-Computationally-Efficient-Evolutionary-Algorithm