遗传算法实现器 (GENITOR)

class pypop7.optimizers.ga.genitor.GENITOR(problem, options)

遗传实现器（GENITOR）。

注意

“选择压力和种群多样性应尽可能直接控制。”—[Whitley, 1989]

这是GENITOR的一个略微修改版本，用于连续优化。最初GENITOR是由Whitley提出的，用于解决具有挑战性的神经进化问题， 2022年IEEE进化计算先锋奖的获得者。

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 (key):

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

  • ’cv_prob’ - 交叉概率 (float, 默认: 0.5).

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.genitor import GENITOR
>>> 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}
>>> genitor = GENITOR(problem, options)  # initialize the optimizer class
>>> results = genitor.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"GENITOR: {results['n_function_evaluations']}, {results['best_so_far_y']}")
GENITOR: 5000, 0.004382445279905116

由于其编码的正确性检查，由于缺乏模拟环境，无法提供基于代码的可重复性报告。

cv_prob

交叉概率。

Type:

float

n_individuals

人口规模。

Type:

int

参考文献

https://www.cs.colostate.edu/~genitor/

Whitley, D., Dominic, S., Das, R. 和 Anderson, C.W., 1993. 遗传强化学习在神经控制问题中的应用。 机器学习, 13, pp.259-284. https://link.springer.com/article/10.1023/A:1022674030396

Whitley, D., 1989年12月。 GENITOR算法和选择压力：为什么基于排名的繁殖试验分配是最好的。 在国际遗传算法会议论文集（第116-121页）。 https://dl.acm.org/doi/10.5555/93126.93169