搜索基于梯度的进化策略 (SGES)

class pypop7.optimizers.nes.sges.SGES(problem, options)

搜索基于梯度的进化策略（SGES）。

注意

在这里，我们包含SGES（也称为NES的原始版本）仅用于理论和教育目的，因为在实践中，高级版本（例如，ENES、XNES、SNES和R1NES）在大多数情况下比SGES更受欢迎。

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) –

  优化器选项，包含以下常见设置 (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),

    • 如果未提供，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。

  • ’lr_mean’ - 分布均值更新的学习率 (float, 默认: 0.01),

  • ’lr_sigma’ - 全局步长调整的学习率 (float, 默认: 0.01).

示例

使用黑盒优化器 SGES 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.nes.sges import SGES
>>> 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,))}
>>> sges = SGES(problem, options)  # to initialize the optimizer class
>>> results = sges.optimize()  # to run the optimization process
>>> print(f"SGES: {results['n_function_evaluations']}, {results['best_so_far_y']}")
SGES: 5000, 0.0190

lr_mean

分布均值更新的学习率（应> 0.0）。

Type:

float

lr_sigma

全局步长调整的学习率（应> 0.0）。

Type:

float

mean

初始（起始）点，也称为高斯搜索/采样/变异分布的均值。 如果未给出，它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，默认情况下。

Type:

array_like

n_individuals

后代数量，也称为后代种群大小（应> 0）。

Type:

int

n_parents

父母/祖先的数量，也称为父母种群大小（应> 0）。

Type:

int

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。

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/ves.py