原始自然进化策略 (ONES)

class pypop7.optimizers.nes.ones.ONES(problem, options)[源代码]

原始自然进化策略 (ONES)。

注意

我们在这里收录 ONES 主要是出于基准测试和/或理论目的。在实践中，应首先考虑更高级的版本（例如 ENES、XNES、SNES 和 R1NES），而不是这个由 Schmidhuber 团队在 IEEE CEC-2008 上首次发布的原始版本。简而言之，参数化的搜索分布使得在温和的假设下，对复杂的种群更新/进化过程进行数学推导成为可能且易于处理。

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' - 后代/子代的数量，也称为后代种群大小 (int)，

    • 'n_parents' - 亲代/祖先的数量，也称为亲代种群大小 (int)，

    • 'mean' - 初始（起始）点 (array_like)，

      • 如果未提供，它将从一个均匀分布中随机抽取一个样本，该分布的搜索范围由 problem[‘lower_boundary’] 和 problem[‘upper_boundary’] 限定。

    • 'lr_mean' - 分布均值更新的学习率（float，默认值：1.0），

    • 'lr_sigma' - 全局步长自适应的学习率（float，默认值：1.0）。

示例

使用优化器 ONES 来最小化著名的测试函数 Rosenbrock 函数

 1>>> import numpy  # engine for numerical computing
 2>>> from pypop7.benchmarks.base_functions import rosenbrock  # function to be minimized
 3>>> from pypop7.optimizers.nes.ones import ONES
 4>>> problem = {'fitness_function': rosenbrock,  # define problem arguments
 5...            'ndim_problem': 2,
 6...            'lower_boundary': -5*numpy.ones((2,)),
 7...            'upper_boundary': 5*numpy.ones((2,))}
 8>>> options = {'max_function_evaluations': 5000,  # set optimizer options
 9...            'seed_rng': 2022,
10...            'mean': 3*numpy.ones((2,)),
11...            'sigma': 0.1}  # the global step-size may need to be tuned for better performance
12>>> ones = ONES(problem, options)  # initialize the optimizer class
13>>> results = ones.optimize()  # run the optimization process
14>>> # return the number of function evaluations and best-so-far fitness
15>>> print(f"ONES: {results['n_function_evaluations']}, {results['best_so_far_y']}")
16ONES: 5000, 4.08973753355584e-05
lr_mean

分布均值更新的学习率（应 > 0.0）。

类型:

float

lr_sigma

全局步长自适应的学习率（应 > 0.0）。

类型:

float

mean

初始（起始）点，也即高斯搜索/采样/变异分布的均值。如果未提供，默认情况下，它将从一个均匀分布中随机抽取一个样本，该分布的搜索范围由 problem[‘lower_boundary’] 和 problem[‘upper_boundary’] 限定。

类型:

array_like

n_individuals

后代的数量，也即后代种群大小（应 > 0）。

类型:

int

n_parents

父代的数量，也即父代种群大小（应 > 0）。

类型:

int

参考文献

Beyer, H.G., 2023, July. 关于进化策略，你一直想知道但又不敢问的一切。 In Proceedings of Companion Conference on Genetic and Evolutionary Computation (pp. 878-894). ACM.

Beyer, H.G., 2014. 基于信息几何范式的进化算法收敛性分析。 Evolutionary Computation, 22(4), pp.679-709.

Wierstra, D., Schaul, T., Glasmachers, T., Sun, Y., Peters, J. and Schmidhuber, J., 2014. Natural evolution strategies. Journal of Machine Learning Research, 15(1), pp.949-980.

Schaul, T., 2011. Studies in continuous black-box optimization. Doctoral Dissertation, Technische Universität München.

请参考来自 PyBrain 的官方 Python 源代码（现已不活跃维护）：https://github.com/pybrain/pybrain/blob/master/pybrain/optimization/distributionbased/nes.py