基于混合模型的进化策略 (MMES)

class pypop7.optimizers.es.mmes.MMES(problem, options)[source]

基于混合模型的进化策略（MMES）。

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),
- ’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。
- ’m’ - 候选方向向量的数量 (int, 默认: 2*int(np.ceil(np.sqrt(problem[‘ndim_problem’])))),
- ’c_c’ - 进化路径更新的学习率 (float, 默认: 0.4/np.sqrt(problem[‘ndim_problem’])),
- ’ms’ - 混合强度 (int, 默认: 4),
- ’c_s’ - 全局步长适应的学习率 (float, 默认: 0.3),
- ’a_z’ - 目标显著性水平 (float, 默认: 0.05),
- ’distance’ - 更新进化路径的最小距离 (int, 默认: int(np.ceil(1.0/options[‘c_c’]))),
- ’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

使用黑盒优化器 MMES 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.mmes import MMES
>>> problem = {'fitness_function': rosenbrock,  # to define problem arguments
...            'ndim_problem': 200,
...            'lower_boundary': -5.0*numpy.ones((200,)),
...            'upper_boundary': 5.0*numpy.ones((200,))}
>>> options = {'max_function_evaluations': 500000,  # to set optimizer options
...            'seed_rng': 2022,
...            'mean': 3.0*numpy.ones((200,)),
...            'sigma': 3.0}  # global step-size may need to be tuned for optimality
>>> mmes = MMES(problem, options)  # to initialize the optimizer class
>>> results = mmes.optimize()  # to run the optimization/evolution process
>>> print(f"MMES: {results['n_function_evaluations']}, {results['best_so_far_y']}")
MMES: 500000, 2.6018