基于搜索梯度的演化策略 (SGES)

class pypop7.optimizers.nes.sges.SGES(problem, options)

基于搜索梯度的演化策略 (SGES)。

注意

此处我们包含 SGES（也称为 NES 的基础版本）仅用于理论和教学目的，因为在实践中，高级版本（例如 ENES、XNES、SNES 和 R1NES）在大多数情况下比 SGES 更受青睐。

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：0.01），

  • “lr_sigma” - 全局步长自适应的学习率（float，默认值：0.01）。

示例

使用黑盒优化器 SGES 来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.nes.sges import SGES
>>> 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,))}
>>> sges = SGES(problem, options)  # to initialize the optimizer class
>>> results = sges.optimize()  # to run the optimization process
>>> print(f"SGES: {results['n_function_evaluations']}, {results['best_so_far_y']}")
SGES: 5000, 0.0190

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

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 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/ves.py