基于父代中心重组的广义代际差距 (G3PCX)

class pypop7.optimizers.ga.g3pcx.G3PCX(problem, options)

广义代际差距与以父代为中心的重组（G3PCX）。

注意

最初，G3PCX 是由 Deb 提出的，主要用于提高 GA 的效率， 2018年IEEE进化计算先锋奖得主。

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):

  • ’n_individuals’ - 种群大小 (int, 默认: 100),

  • ’n_parents’ - 父代大小 (int, 默认: 3),

  • ’n_offsprings’ - 后代大小 (int, 默认: 2).

示例

使用优化器来最小化著名的测试函数 Rosenbrock:

>>> import numpy
>>> from pypop7.benchmarks.base_functions import rosenbrock  # function to be minimized
>>> from pypop7.optimizers.ga.g3pcx import G3PCX
>>> problem = {'fitness_function': rosenbrock,  # define problem arguments
...            'ndim_problem': 2,
...            'lower_boundary': -5*numpy.ones((2,)),
...            'upper_boundary': 5*numpy.ones((2,))}
>>> options = {'max_function_evaluations': 5000,  # set optimizer options
...            'seed_rng': 2022}
>>> g3pcx = G3PCX(problem, options)  # initialize the optimizer class
>>> results = g3pcx.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"G3PCX: {results['n_function_evaluations']}, {results['best_so_far_y']}")
G3PCX: 5000, 0.0

关于其编码的正确性检查，请参阅此基于代码的可重复性报告以获取更多详细信息。

n_individuals

人口规模。

Type:

int

n_offsprings

后代大小。

Type:

int

n_parents

父级大小。

Type:

int

参考文献

https://www.egr.msu.edu/~kdeb/codes/g3pcx/g3pcx.tar (查看原始的C源代码。)

https://pymoo.org/algorithms/soo/g3pcx.html

Deb, K., Anand, A. 和 Joshi, D., 2002. 一种计算效率高的实数参数优化进化算法. 进化计算, 10(4), 第371-395页. https://direct.mit.edu/evco/article-abstract/10/4/371/1136/A-Computationally-Efficient-Evolutionary-Algorithm