分层协作协同进化 (HCC)

class pypop7.optimizers.cc.hcc.HCC(problem, options)

分层协作协同进化（HCC）。

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 (key):

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

  • ’sigma’ - 初始全局步长 (float, 默认: problem[‘upper_boundary’] - problem[‘lower_boundary’]/3.0),

  • ’ndim_subproblem’ - 分解子问题的维度 (int, 默认: 30).

示例

使用优化器 HCC 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.hcc import HCC
>>> problem = {'fitness_function': rosenbrock,  # 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,  # set optimizer options
...            'seed_rng': 2022}
>>> hcc = HCC(problem, options)  # initialize the optimizer class
>>> results = hcc.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"HCC: {results['n_function_evaluations']}, {results['best_so_far_y']}")
HCC: 5000, 0.0057391910865252

由于其编码的正确性检查，我们无法提供基于代码的可重复性报告，因为此实现结合了两篇不同的论文。据我们所知，很少有设计良好的开源代码可用于不可分离的黑箱优化。

n_individuals

个体/样本的数量，也称为种群大小。

Type:

int

sigma

初始全局步长。

Type:

float

ndim_subproblem

分解子问题的维度。

Type:

int

参考文献

梅, Y., 奥米德瓦尔, M.N., 李, X. 和姚, X., 2016. 一种用于无约束大规模黑箱优化的竞争性分治算法. ACM数学软件交易, 42(2), 第1-24页. https://dl.acm.org/doi/10.1145/2791291

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