矩阵自适应进化策略 (MAES)

class pypop7.optimizers.es.maes.MAES(problem, options)

矩阵自适应进化策略（MAES）。

注意

MAES 是著名的 CMA-ES 算法的一个强大的简化版本，几乎没有任何显著的性能损失，由 Beyer 和 Sendhoff 于 2017 年设计（IEEE Fellow）。这种简化的一个明显优势是帮助更好地理解 CMA-ES 的基本工作原理（例如，不变性和无偏性），这些原理通常被认为对新手来说相当复杂。强烈建议首先尝试更高级的 ES 变体（例如，LMCMA、LMMAES）进行大规模黑箱优化，因为 MAES 具有立方时间复杂度（相对于每次采样）。请注意，另一个改进版本称为 FMAES，为 MAES 提供了相对更高效的实现，具有二次时间复杂度（相对于每次采样）。

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，也称为变异强度 (float),

  • ’mean’ - 初始（起始）点，也称为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，也称为后代种群大小 (int, 默认: 4 + int(3*np.log(problem[‘ndim_problem’]))),

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

示例

使用黑盒优化器 MAES 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.maes import MAES
>>> 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
>>> maes = MAES(problem, options)  # to initialize the optimizer class
>>> results = maes.optimize()  # to run the optimization/evolution process
>>> print(f"MAES: {results['n_function_evaluations']}, {results['best_so_far_y']}")
MAES: 5000, 1.3259e-17

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_maes.py。

mean

初始（起始）点，也称为高斯搜索分布的平均值。

Type:

array_like

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

sigma

最终的全局步长，也称为变异强度。

Type:

float

参考文献

Beyer, H.G., 2020年7月。 矩阵适应进化策略的设计原则。 在ACM遗传与进化计算会议论文集（第682-700页）中。

Loshchilov, I., Glasmachers, T. 和 Beyer, H.G., 2019. Large scale black-box optimization by limited-memory matrix adaptation. IEEE 进化计算汇刊, 23(2), pp.353-358.

Beyer, H.G. 和 Sendhoff, B., 2017. 简化你的协方差矩阵适应进化策略。 IEEE 进化计算汇刊, 21(5), 第746-759页。

请参考Beyer教授的官方Matlab版本： https://homepages.fhv.at/hgb/downloads/ForDistributionFastMAES.tar