三角变异差分进化 (TDE)

class pypop7.optimizers.de.tde.TDE(problem, options)

三角变异差分进化（TDE）。

Parameters:

• 问题 (dict) –

  问题参数包含以下常见设置 (keys):

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

  • ’ndim_problem’ - 维度数 (int),

  • ’upper_boundary’ - 搜索范围的上限 (array_like),

  • ’lower_boundary’ - 搜索范围的下限 (array_like).

• 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 (keys):

  • ’n_individuals’ - 后代数量，即后代种群大小 (int, 默认: 30),

  • ’f’ - 变异因子 (float, 默认: 0.99),

  • ’cr’ - 交叉概率 (float, 默认: 0.85),

  • ’tm’ - 三角变异概率 (float, 默认: 0.05).

示例

使用优化器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.de.tde import TDE
>>> problem = {'fitness_function': rosenbrock,  # define problem arguments
...            'ndim_problem': 2,
...            'lower_boundary': -5*numpy.ones((2,)),
...            'upper_boundary': 5*numpy.ones((2,))}
>>> options = {'max_function_evaluations': 5000,  # set optimizer options
...            'seed_rng': 0}
>>> tde = TDE(problem, options)  # initialize the optimizer class
>>> results = tde.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"TDE: {results['n_function_evaluations']}, {results['best_so_far_y']}")
TDE: 5000, 6.420787226215637e-21

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。

cr

交叉概率。

Type:

float

f

变异因子。

Type:

float

tm

三角变异概率。

Type:

‘float

n_individuals

后代数量，也称为后代种群大小。

Type:

int

参考文献

范, H.Y. 和 Lampinen, J., 2003. 差分进化的三角变异操作. 全球优化杂志, 27(1), 第105-129页.