经典进化编程 (CEP)

class pypop7.optimizers.ep.cep.CEP(problem, options)

具有自适应变异的经典进化编程（CEP）。

注意

为了在大规模黑箱优化中获得满意的性能，可能需要仔细调整后代数量（n_individuals）和初始全局步长（sigma）（例如通过手动试错或自动超参数优化）。

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 (keys):

  • ’sigma’ - 初始全局步长，即变异强度 (float),

  • ’n_individuals’ - 后代数量，即后代种群大小 (int, 默认: 100),

  • ’q’ - 用于成对比较的对手数量 (int, 默认: 10),

  • ’tau’ - 个体步长自适应的学习率 (float, 默认: 1.0/np.sqrt(2.0*np.sqrt(problem[‘ndim_problem’]))),

  • ’tau_apostrophe’ - 个体步长自适应的学习率 (float, 默认: 1.0/np.sqrt(2.0*problem[‘ndim_problem’]).

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.ep.cep import CEP
>>> 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,
...            'sigma': 0.1}
>>> cep = CEP(problem, options)  # initialize the optimizer class
>>> results = cep.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"CEP: {results['n_function_evaluations']}, {results['best_so_far_y']}")
CEP: 5000, 0.3544823323771589

关于其正确性检查，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

q

用于成对比较的对手数量。

Type:

int

sigma

初始全局步长，也称为变异强度。

Type:

float

tau

个体步长自适应的学习率。

Type:

float

tau_apostrophe

个体步长自适应的学习率。

Type:

float

参考文献

Yao, X., Liu, Y. 和 Lin, G., 1999. 进化编程加速。 IEEE Transactions on Evolutionary Computation, 3(2), pp.82-102. https://ieeexplore.ieee.org/abstract/document/771163

Bäck, T. 和 Schwefel, H.P., 1993. 进化算法在参数优化中的概述. Evolutionary Computation, 1(1), pp.1-23. https://direct.mit.edu/evco/article-abstract/1/1/1/1092/An-Overview-of-Evolutionary-Algorithms-for