多元正态算法的自适应估计 (AEMNA)

class pypop7.optimizers.eda.aemna.AEMNA(problem, options)

多元正态算法的自适应估计（AEMNA）。

注意

AEMNA 学习高斯采样分布的完整协方差矩阵，导致每次采样的时间复杂度为立方。因此，现在它很少用于大规模黑箱优化（LBO）。强烈建议首先尝试其他更先进的优化方法进行LBO。

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’ - 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’ - 后代数量，即后代种群大小 (int, 默认: 200),

  • ’n_parents’ - 父母数量，即父母种群大小 (int, 默认: int(options[‘n_individuals’]/2)).

示例

使用优化器来最小化著名的测试函数 Rosenbrock:

>>> import numpy  # engine for numerical computing
>>> from pypop7.benchmarks.base_functions import rosenbrock  # function to be minimized
>>> from pypop7.optimizers.eda.aemna import AEMNA
>>> 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': 2022}
>>> aemna = AEMNA(problem, options)  # initialize the optimizer class
>>> results = aemna.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"AEMNA: {results['n_function_evaluations']}, {results['best_so_far_y']}")
AEMNA: 5000, 0.0023607608362747035

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

后代数量，也称为后代种群大小。

Type:

int

n_parents

父母数量，也称为父母种群大小。

Type:

int

参考文献

Larrañaga, P. 和 Lozano, J.A. 编, 2002. Estimation of distribution algorithms: A new tool for evolutionary computation. Springer Science & Business Media.