潜在动作蒙特卡洛树搜索 (LAMCTS)

class pypop7.optimizers.bo.lamcts.LAMCTS(problem, options)

潜在动作蒙特卡洛树搜索 (LAMCTS).

Parameters:

• 问题 (字典) –

  问题参数包含以下常见设置 (键):

  • ’fitness_function’ - 需要最小化的目标函数 (函数),

  • ’ndim_problem’ - 维度数 (整数),

  • ’upper_boundary’ - 搜索范围的上限 (类数组),

  • ’lower_boundary’ - 搜索范围的下限 (类数组).

• options (dict) –

  具有以下常见设置的优化器选项 (keys):

  • ’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’ - 随机数生成的种子，需要显式设置 (int);

  以及以下特定设置 (keys):

  • ’n_individuals’ - 个体/样本的数量 (int, 默认: 100),

  • ’c_e’ - 控制探索的因子 (float, 默认: 0.01),

  • ’leaf_size’ - 叶子大小 (int, 默认: 40).

示例

使用黑盒优化器 LAMCTS 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.bo.lamcts import LAMCTS
>>> 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': 1}
>>> lamcts = LAMCTS(problem, options)  # to initialize the optimizer class
>>> results = lamcts.optimize()  # to run the optimization process
>>> print(f"LAMCTS: {results['n_function_evaluations']}, {results['best_so_far_y']}")
LAMCTS: 5000, 0.0001

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细信息。

c_e

控制探索的因子。

Type:

浮点数

init_individuals

初始个体数量。

Type:

整数

leaf_size

叶子大小。

Type:

整数

n_individuals

个体/样本的数量。

Type:

整数

参考文献

王, L., 丰塞卡, R. 和田, Y., 2020. 使用蒙特卡洛树搜索学习黑箱优化的搜索空间划分. 神经信息处理系统进展, 33, pp.19511-19522. https://arxiv.org/abs/2007.00708 (更新版本) https://proceedings.neurips.cc/paper/2020/hash/e2ce14e81dba66dbff9cbc35ecfdb704-Abstract.html (原始版本)

https://github.com/facebookresearch/LA-MCTS（更新版本） https://github.com/facebookresearch/LaMCTS（原始版本）