协同进化 (CC)

class pypop7.optimizers.cc.cc.CC(problem, options)[source]

协同进化（CC）。

这是所有CC类的抽象类。请使用其任何实例化的子类来优化当前的黑箱问题。

注意

CC 使用分解策略来缓解大规模黑箱优化中的维度灾难问题。有关收敛性分析，请参考[Panait et al., 2008, JMLR]，以及例如[Gomez et al.,, 2008, JMLR]中Schmidhuber和/或Miikkulainen实验室的最先进的神经进化应用。

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’ - 需要显式设置的随机数生成种子 (int);

    以及以下特定设置 (key):

    • ’n_individuals’ - 个体/样本的数量，即种群大小 (int, 默认: 100).

参考文献

Gomez, F., Schmidhuber, J. 和 Miikkulainen, R., 2008. 通过协同共进化突触加速神经进化. 机器学习研究杂志, 9(31), 第937-965页. https://www.jmlr.org/papers/v9/gomez08a.html

Panait, L., Tuyls, K. 和 Luke, S., 2008. 宽容学习者的理论优势：从进化博弈论的角度看。 《机器学习研究杂志》, 9, 第423-457页。 https://jmlr.org/papers/volume9/panait08a/panait08a.pdf

Schmidhuber, J., Wierstra, D., Gagliolo, M. 和 Gomez, F., 2007. 通过Evolino训练递归网络。 神经计算, 19(3), 第757-779页. https://direct.mit.edu/neco/article-abstract/19/3/757/7156/Training-Recurrent-Networks-by-Evolino

Gomez, F.J. 和 Schmidhuber, J., 2005年6月. 共同进化的递归神经元学习深度记忆POMDPs. 在《遗传与进化计算年会论文集》中 (第491-498页). ACM. https://dl.acm.org/doi/10.1145/1068009.1068092

Fan, J., Lau, R. 和 Miikkulainen, R., 2003. 利用领域知识进行神经进化。 在国际机器学习会议上 (pp. 170-177). https://www.aaai.org/Library/ICML/2003/icml03-025.php

Potter, M.A. 和 De Jong, K.A., 2000. 合作协同进化：一种用于进化协同适应子组件的架构。 进化计算, 8(1), 第1-29页. https://direct.mit.edu/evco/article/8/1/1/859/Cooperative-Coevolution-An-Architecture-for

Gomez, F.J. 和 Miikkulainen, R., 1999年7月. 使用神经进化解决非马尔可夫控制任务. 在国际人工智能联合会议论文集 (第1356-1361页). https://www.ijcai.org/Proceedings/99-2/Papers/097.pdf

Moriarty, D.E. 和 Mikkulainen, R., 1996. 通过共生进化实现高效强化学习。 机器学习, 22(1), 第11-32页. https://link.springer.com/article/10.1023/A:1018004120707

Moriarty, D.E. 和 Miikkulainen, R., 1995. 通过共生进化从延迟奖励中高效学习。 在国际机器学习会议上 (pp. 396-404). Morgan Kaufmann. https://www.sciencedirect.com/science/article/pii/B9781558603776500566

Potter, M.A. 和 De Jong, K.A., 1994年10月。 一种合作协同进化的函数优化方法。 在国际并行问题解决自然会议中（第249-257页）。 Springer, 柏林, 海德堡。 https://link.springer.com/chapter/10.1007/3-540-58484-6_269

抄送: