(1+1)-Cholesky-CMA-ES 2009 (OPOC2009)

class pypop7.optimizers.es.opoc2009.OPOC2009(problem, options)

(1+1)-Cholesky-CMA-ES 2009 (OPOC2009).

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’ - 需要显式设置的随机数生成种子 (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。

示例

使用黑盒优化器 OPOC2009 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.opoc2009 import OPOC2009
>>> 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
>>> opoc2009 = OPOC2009(problem, options)  # to initialize the optimizer class
>>> results = opoc2009.optimize()  # to run the optimization/evolution process
>>> print(f"OPOC2009: {results['n_function_evaluations']}, {results['best_so_far_y']}")
OPOC2009: 5000, 4.4227e-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_opoc2009.py。

参考文献

Suttorp, T., Hansen, N. 和 Igel, C., 2009. Efficient covariance matrix update for variable metric evolution strategies. 机器学习, 75(2), 第167-197页.