秩-米进化策略 (RMES)

class pypop7.optimizers.es.rmes.RMES(problem, options)

秩-M进化策略（RMES）。

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_evolution_paths’ - 进化路径的数量 (int, 默认: 2),

  • ’generation_gap’ - 代沟 (int, 默认: problem[‘ndim_problem’]),

  • ’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)),

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

  • ’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 RMES 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.rmes import RMES
>>> 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 tuned for optimality
>>> rmes = RMES(problem, options)  # to initialize the optimizer class
>>> results = rmes.optimize()  # to run the optimization/evolution process
>>> print(f"RMES: {results['n_function_evaluations']}, {results['best_so_far_y']}")
RMES: 5000, 0.0002

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_rmes.py。

c_cov

低秩协方差矩阵适应的学习率。

Type:

float

d_sigma

累积步长适应的延迟因子。

Type:

float

generation_gap

代沟。

Type:

int

mean

初始（起始）点，也称为高斯搜索分布的平均值。

Type:

array_like

n_evolution_paths

进化路径的数量。

Type:

int

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

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.