带约束的单目标

在本教程中，我们将介绍如何使用OpenBox优化一个约束问题。

问题设置

首先，定义搜索空间和定义目标函数 以最小化。这里我们使用受约束的Mishra函数。

import numpy as np
from openbox import space as sp

def mishra(config: sp.Configuration):
    X = np.array([config['x%d' % i] for i in range(2)])
    x, y = X[0], X[1]
    t1 = np.sin(y) * np.exp((1 - np.cos(x))**2)
    t2 = np.cos(x) * np.exp((1 - np.sin(y))**2)
    t3 = (x - y)**2

    result = dict()
    result['objectives'] = [t1 + t2 + t3, ]
    result['constraints'] = [np.sum((X + 5)**2) - 25, ]
    return result

params = {
    'float': {
        'x0': (-10, 0, -5),
        'x1': (-6.5, 0, -3.25)
    }
}
space = sp.Space()
space.add_variables([
    sp.Real(name, *para) for name, para in params['float'].items()
])

评估后，目标函数返回一个dict （推荐）。 结果字典应包含：

  • 'objectives': 一个列表/元组，包含目标值（需要最小化）。 在这个例子中，我们只有一个目标，因此元组包含一个单一的值。

  • 'constraints': 一个列表/元组的约束值。 非正的约束值（“<=0”）意味着可行性。

优化

在定义了搜索空间和目标函数之后，我们可以按照以下方式运行优化过程：

from openbox import Optimizer

opt = Optimizer(
    mishra,
    space,
    num_constraints=1,
    num_objectives=1,
    surrogate_type='gp',                # try using 'auto'!
    acq_optimizer_type='random_scipy',  # try using 'auto'!
    max_runs=50,
    task_id='soc',
    # Have a try on the new HTML visualization feature!
    # visualization='advanced',   # or 'basic'. For 'advanced', run 'pip install "openbox[extra]"' first
    # auto_open_html=True,        # open the visualization page in your browser automatically
)
history = opt.run()

在这里我们创建了一个Optimizer实例，并将目标函数和搜索空间传递给它。 其他参数包括：

  • num_objectives=1 和 num_constraints=1 表示我们的函数返回一个带有单一约束的单一值。

  • max_runs=50 表示优化将进行50轮（优化目标函数50次）。

  • task_id 用于标识优化过程。

  • visualization: 'none', 'basic' 或 'advanced'. 参见 HTML Visualization.

  • auto_open_html: 是否自动在浏览器中打开可视化页面。 参见 HTML Visualization。

然后，调用opt.run()以启动优化过程。

可视化

优化后，opt.run() 返回优化历史。或者你可以调用 opt.get_history() 来获取历史。 然后，调用 print(history) 查看结果：

history = opt.get_history()
print(history)

+-------------------------+---------------------+
| Parameters              | Optimal Value       |
+-------------------------+---------------------+
| x0                      | -3.172421           |
| x1                      | -1.506397           |
+-------------------------+---------------------+
| Optimal Objective Value | -105.72769850551406 |
+-------------------------+---------------------+
| Num Configs             | 50                  |
+-------------------------+---------------------+

调用 history.plot_convergence() 来可视化优化过程：

import matplotlib.pyplot as plt
history.plot_convergence(true_minimum=-106.7645367)
plt.show()
../_images/plot_convergence_mishra.png

(新功能!) 调用 history.visualize_html() 在HTML页面中可视化优化过程。 对于 show_importance 和 verify_surrogate，请先运行 pip install "openbox[extra]"。 更多详情请参见 HTML Visualization。

history.visualize_html(open_html=True, show_importance=True,
                       verify_surrogate=True, optimizer=opt)
../_images/html_example_soc.jpg