协同进化算法 (COEA)

class pypop7.optimizers.cc.coea.COEA(problem, options)

协同协同进化算法（COEA）。

注意

这是COEA的一个略微修改版本，其中使用了更常见的实值表示来进行连续优化，而不是原论文中使用的二进制编码。对于子优化器，由于GENITOR的简单性，我们选择了它。

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).

示例

使用黑箱优化器 COEA 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.cc.coea import COEA
>>> 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,
...            'x': 3.0*numpy.ones((2,))}
>>> coea = COEA(problem, options)  # to initialize the optimizer class
>>> results = coea.optimize()  # to run the optimization process
>>> print(f"COEA: {results['n_function_evaluations']}, {results['best_so_far_y']}")
COEA: 5000, 0.4308

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。

n_individuals

个体/样本的数量，也称为种群大小。

Type:

int

参考文献

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

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