Cholesky-CMA-ES 2016 (CCMAES2016)

class pypop7.optimizers.es.ccmaes2016.CCMAES2016(problem, options)

Cholesky-CMA-ES 2016 (CCMAES2016).

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’ - 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),

  • ’mean’ - 初始（起始）点，即高斯搜索分布的均值 (array_like),

    • 如果未给出，将从均匀分布中随机抽取一个样本，其搜索范围由 problem[‘lower_boundary’] 和 problem[‘upper_boundary’] 限定。

  • ’n_individuals’ - 后代数量，即后代种群大小 (int, 默认: 4 + int(3*np.log(problem[‘ndim_problem’]))),

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

示例

使用黑箱优化器 CCMAES2016 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.es.ccmaes2016 import CCMAES2016
>>> problem = {'fitness_function': rosenbrock,  # to 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,  # to set optimizer options
...            'seed_rng': 2022,
...            'mean': 3.0*numpy.ones((2,)),
...            'sigma': 3.0}  # global step-size may need to be fine-tuned for better performance
>>> ccmaes2016 = CCMAES2016(problem, options)  # to initialize the optimizer class
>>> results = ccmaes2016.optimize()  # to run the optimization/evolution process
>>> print(f"CCMAES2016: {results['n_function_evaluations']}, {results['best_so_far_y']}")
CCMAES2016: 5000, 9.9367e-21

关于Python代码的正确性检查，请参考此基于代码的可重复性报告以获取所有详细信息。对于基于pytest的自动化测试，请参见test_ccmaes2016.py。

参考文献

Krause, O., Arbonès, D.R. 和 Igel, C., 2016. CMA-ES with optimal covariance update and storage complexity. 神经信息处理系统进展, 29, pp.370-378.