遗传实现器 (GENITOR)

class pypop7.optimizers.ga.genitor.GENITOR(problem, options)

遗传实现器 (GENITOR)。

注意

“选择压力和种群多样性应尽可能直接地加以控制。”—[Whitley, 1989]

这是一个针对连续优化的 GENITOR 的*略微修改*版本。最初的 GENITOR 是由 2022 年 IEEE 进化计算先锋奖获得者 Whitley 提出的，用于解决具有挑战性的神经进化问题。

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 (key)

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

  • ‘cv_prob’ - 交叉概率（float，默认值：0.5）。

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.genitor import GENITOR
>>> 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}
>>> genitor = GENITOR(problem, options)  # initialize the optimizer class
>>> results = genitor.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"GENITOR: {results['n_function_evaluations']}, {results['best_so_far_y']}")
GENITOR: 5000, 0.004382445279905116

由于缺少其仿真环境，我们无法提供基于代码的可重复性报告以供其编码的正确性检查。

cv_prob

交叉概率。

类型:

float

n_individuals

种群大小。

类型:

int

参考文献

https://www.cs.colostate.edu/~genitor/

Whitley, D., Dominic, S., Das, R. and Anderson, C.W., 1993. Genetic reinforcement learning for neurocontrol problems. Machine Learning, 13, pp.259-284. https://link.springer.com/article/10.1023/A:1022674030396

Whitley, D., 1989, December. The GENITOR algorithm and selection pressure: Why rank-based allocation of reproductive trials is best. In Proceedings of International Conference on Genetic Algorithms (pp. 116-121). https://dl.acm.org/doi/10.5555/93126.93169