指数自然演化策略 (XNES)

class pypop7.optimizers.nes.xnes.XNES(problem, options)

指数自然演化策略 (XNES)。

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)，

    • 如果未给出，它将从一个均匀分布中随机抽样，该分布的搜索范围由 problem[‘lower_boundary’] 和 problem[‘upper_boundary’] 界定。

  • 'sigma' - 初始全局步长，也称为变异强度 (float)。

示例

使用优化器 XNES 来最小化著名的测试函数 Rosenbrock

>>> import numpy  # engine for numerical computing
>>> from pypop7.benchmarks.base_functions import rosenbrock  # function to be minimized
>>> from pypop7.optimizers.nes.xnes import XNES
>>> 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,
...            'mean': 3*numpy.ones((2,)),
...            'sigma': 0.1}  # the global step-size may need to be tuned for better performance
>>> xnes = XNES(problem, options)  # initialize the optimizer class
>>> results = xnes.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"XNES: {results['n_function_evaluations']}, {results['best_so_far_y']}")
XNES: 5000, 1.3565728021697798e-18

lr_cv

协方差矩阵自适应的学习率。

类型:

float

lr_sigma

全局步长自适应的学习率。

类型:

float

mean

初始（起始）点，也称为高斯搜索/采样/变异分布的均值。

类型:

array_like

n_individuals

后代/子代的数量，也称为后代种群大小。

类型:

int

n_parents

亲代/祖先的数量，也称为亲代种群大小。

类型:

int

sigma

全局步长，也称为变异强度（即高斯搜索分布的总体标准差）。

类型:

float

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. https://jmlr.org/papers/v15/wierstra14a.html

Schaul, T., 2011. Studies in continuous black-box optimization. Doctoral Dissertation, Technische Universität München. https://people.idsia.ch/~schaul/publications/thesis.pdf

Glasmachers, T., Schaul, T., Yi, S., Wierstra, D. and Schmidhuber, J., 2010, July. Exponential natural evolution strategies. In Proceedings of Annual Conference on Genetic and Evolutionary Computation (pp. 393-400). https://dl.acm.org/doi/abs/10.1145/1830483.1830557

请参考 PyBrain 的官方 Python 源代码：https://github.com/pybrain/pybrain/blob/master/pybrain/optimization/distributionbased/xnes.py