全局和局部遗传算法 (GL25)

class pypop7.optimizers.ga.gl25.GL25(problem, options)

全局和局部遗传算法 (GL25)。

注意

25 表示首先将 25% 的函数评估（或运行时间）用于全局搜索，而剩下的 75% 则用于局部搜索。

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)

  • “alpha” - 用于交叉的全局步长（浮点数，默认值：0.8），

  • “n_female_global” - 全局搜索阶段的雌性个体数量（整数，默认值：200），

  • “n_male_global” - 全局搜索阶段的雄性个体数量（整数，默认值：400），

  • “n_female_local” - 局部搜索阶段的雌性个体数量（整数，默认值：5），

  • “n_male_local” - 局部搜索阶段的雄性个体数量（整数，默认值：100），

  • “p_global” - 全局搜索阶段的百分比（浮点数，默认值：0.25）。

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.gl25 import GL25
>>> 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}
>>> gl25 = GL25(problem, options)  # initialize the optimizer class
>>> results = gl25.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"GL25: {results['n_function_evaluations']}, {results['best_so_far_y']}")
GL25: 5000, 1.0505276479694516e-05

关于其编码的正确性检查，请参阅此基于代码的可重复性报告以获取更多详情。

alpha

用于交叉的全局步长。

类型:

float

n_female_global

全局搜索阶段的雌性个体数量。

类型:

int

n_female_local

局部搜索阶段的雌性个体数量。

类型:

int

n_individuals

种群大小。

类型:

int

n_male_global

全局搜索阶段的雄性个体数量。

类型:

int

n_male_local

局部搜索阶段的雄性个体数量。

类型:

int

p_global

全局搜索阶段的百分比。

类型:

float

参考文献

García-Martínez, C., Lozano, M., Herrera, F., Molina, D. and Sánchez, A.M., 2008. Global and local real-coded genetic algorithms based on parent-centric crossover operators. European Journal of Operational Research, 185(3), pp.1088-1113. https://www.sciencedirect.com/science/article/abs/pii/S0377221706006308