一级进化策略 (R1ES)

class pypop7.optimizers.es.r1es.R1ES(problem, options)[source]

一级进化策略（R1ES）。

注意

R1ES 是 CMA-ES 的一个低秩版本，专门由 Li 和 Zhang 设计用于大规模黑箱优化。当在子空间中嵌入了一个主导搜索方向时，它通常表现良好。对于更复杂的景观（例如，存在多个有希望的搜索方向），CMA-ES 的其他变体（例如，RMES、LMCMA、LMMAES）可能更受青睐。

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。

    • ’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)),

    • ’c_cov’ - 低秩协方差矩阵适应的学习率 (float, 默认: 1.0/(3.0*np.sqrt(problem[‘ndim_problem’]) + 5.0)),

    • ’c’ - 进化路径更新的学习率 (float, 默认: 2.0/(problem[‘ndim_problem’] + 7.0)),

    • ’c_s’ - 累积步长适应的学习率 (float, 默认: 0.3),

    • ’q_star’ - 累积步长适应的基线 (float, 默认: 0.3)，

    • ’d_sigma’ - 累积步长适应的延迟因子 (float, 默认: 1.0).

示例

使用黑盒优化器 R1ES 来最小化著名的测试函数 Rosenbrock:

 1>>> import numpy  # engine for numerical computing
 2>>> from pypop7.benchmarks.base_functions import rosenbrock  # function to be minimized
 3>>> from pypop7.optimizers.es.r1es import R1ES
 4>>> problem = {'fitness_function': rosenbrock,  # to define problem arguments
 5...            'ndim_problem': 2,
 6...            'lower_boundary': -5.0*numpy.ones((2,)),
 7...            'upper_boundary': 5.0*numpy.ones((2,))}
 8>>> options = {'max_function_evaluations': 5000,  # to set optimizer options
 9...            'seed_rng': 2022,
10...            'mean': 3.0*numpy.ones((2,)),
11...            'sigma': 3.0}  # global step-size may need to be tuned for optimality
12>>> r1es = R1ES(problem, options)  # to initialize the optimizer class
13>>> results = r1es.optimize()  # to run the optimization/evolution process
14>>> # return the number of function evaluations and best-so-far fitness
15>>> print(f"R1ES: {results['n_function_evaluations']}, {results['best_so_far_y']}")
16RMES: 5000, 0.0104

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_r1es.py。

c

进化路径更新的学习率。

Type:

float

c_cov

低秩协方差矩阵适应的学习率。

Type:

float

c_s

累积步长适应的学习率。

Type:

float

d_sigma

累积步长适应的延迟因子。

Type:

float

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

q_star

累积步长适应的基线。

Type:

float

sigma

最终的全局步长，也称为变异强度。

Type:

float

参考文献

Li, Z. 和 Zhang, Q., 2018. 一种简单但高效的大规模黑箱优化进化策略。 IEEE Transactions on Evolutionary Computation, 22(5), pp.637-646.