随机投影分布估计算法 (RPEDA)

class pypop7.optimizers.eda.rpeda.RPEDA(problem, options)

随机投影分布估计算法 (RPEDA)。

注意

RPEDA 使用随机矩阵理论在多个嵌入子空间中对个体进行采样，尽管它仍然在原始搜索空间上评估所有个体。对于大规模黑箱优化，每次采样的时间复杂度为二次。

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，后代种群大小 (int, 默认: 300),

  • ’n_parents’ - 父母数量，父母种群大小 (int, 默认: int(0.25*options[‘n_individuals’])),

  • ’k’ - 投影维度 (int, 默认: 3),

  • ’m’ - 随机投影矩阵的数量 (int, 默认: int(np.ceil(4*options[‘n_individuals’]/options[‘k’])).

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.rpeda import RPEDA
>>> problem = {'fitness_function': rosenbrock,  # define problem arguments
...            'ndim_problem': 20,
...            'lower_boundary': -5*numpy.ones((20,)),
...            'upper_boundary': 5*numpy.ones((20,))}
>>> options = {'max_function_evaluations': 500000,  # set optimizer options
...            'seed_rng': 2022,
...            'k': 2}
>>> rpeda = RPEDA(problem, options)  # initialize the optimizer class
>>> results = rpeda.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"RPEDA: {results['n_function_evaluations']}, {results['best_so_far_y']}")
RPEDA: 500000, 15.67048345324486

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

k

投影维度。

Type:

int

m

随机投影矩阵的数量。

Type:

int

参考文献

Kabán, A., Bootkrajang, J. 和 Durrant, R.J., 2016. Toward large-scale continuous EDA: A random matrix theory perspective. 进化计算, 24(2), 第255-291页.