一级自然进化策略 (R1NES)

class pypop7.optimizers.nes.r1nes.R1NES(problem, options)

排名第一的自然进化策略（R1NES）。

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’ - 后代/子代的数量，即后代种群大小 (int),

  • ’n_parents’ - 父母/祖先的数量，即父母种群大小 (int),

  • ’mean’ - 初始（起始）点 (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。

  • ’sigma’ - 初始全局步长，即突变强度 (float).

示例

使用优化器 R1NES 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.nes.r1nes import R1NES
>>> 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,
...            'mean': 3*numpy.ones((2,)),
...            'sigma': 0.1}  # the global step-size may need to be tuned for better performance
>>> r1nes = R1NES(problem, options)  # initialize the optimizer class
>>> results = r1nes.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"R1NES: {results['n_function_evaluations']}, {results['best_so_far_y']}")
R1NES: 5000, 0.005172532562628031

lr_cv

协方差矩阵适应的学习率。

Type:

float

lr_sigma

全局步长调整的学习率。

Type:

float

mean

初始（起始）点，也称为高斯搜索/采样/变异分布的均值。

Type:

array_like

n_individuals

后代数量，也称为后代种群大小。

Type:

int

n_parents

父母/祖先的数量，也称为父母种群大小。

Type:

int

sigma

全局步长，也称为变异强度（即高斯搜索分布的整体标准差）。

Type:

float

参考文献

Wierstra, D., Schaul, T., Glasmachers, T., Sun, Y., Peters, J. 和 Schmidhuber, J., 2014. 自然进化策略。 机器学习研究杂志, 15(1), 页949-980.

Schaul, T., 2011. 连续黑箱优化研究。 博士论文，慕尼黑工业大学。

Schaul, T., Glasmachers, T. 和 Schmidhuber, J., 2011年7月. 高维度和重尾的自然进化策略. 在遗传和进化计算年会论文集 (第845-852页). ACM.

请参考来自PyBrain（现已不再积极维护）的官方Python源代码： https://github.com/pybrain/pybrain/blob/master/pybrain/optimization/distributionbased/rank1.py