协同进化粒子群优化器 (CCPSO2)

class pypop7.optimizers.pso.ccpso2.CCPSO2(problem, options)

协同共进化粒子群优化器 (CCPSO2)。

注意

CCPSO2 采用了流行的 协同进化 框架，通过 随机分组/分区 来扩展 PSO 以进行大规模黑箱优化（LSBBO）。然而，由于其轴平行分解策略（参见数学编程领域的经典 坐标下降 以获取详细的数学解释），它在 不可分离 函数（特别是病态函数）上可能会遭受 性能下降。

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’ - 群体（种群）大小，即粒子数量 (int, 默认: 30),

  • ’p’ - 使用柯西采样分布的概率 (float, 默认: 0.5),

  • ’group_sizes’ - 用于分组的候选维度池 (list, 默认: [2, 5, 10, 50, 100, 250]).

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.pso.ccpso2 import CCPSO2
>>> problem = {'fitness_function': rosenbrock,  # define problem arguments
...            'ndim_problem': 500,
...            'lower_boundary': -5*numpy.ones((500,)),
...            'upper_boundary': 5*numpy.ones((500,))}
>>> options = {'max_function_evaluations': 1000000,  # set optimizer options
...            'seed_rng': 2022}
>>> ccpso2 = CCPSO2(problem, options)  # initialize the optimizer class
>>> results = ccpso2.optimize()  # run the optimization process
>>> # return the number of function evaluations and best-so-far fitness
>>> print(f"CCPSO2: {results['n_function_evaluations']}, {results['best_so_far_y']}")
CCPSO2: 1000000, 1150.0205163111475

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。

group_sizes

用于分组的一组候选维度。

Type:

列表

n_individuals

群体（种群）大小，即粒子数量。

Type:

int

p

使用柯西采样分布的概率。

Type:

float

参考文献

Li, X. 和 Yao, X., 2012. 合作协同进化的粒子群算法用于大规模优化. IEEE 进化计算汇刊, 16(2), 第210-224页. https://ieeexplore.ieee.org/document/5910380/

Potter, M.A. 和 De Jong, K.A., 1994年10月。 一种合作协同进化的函数优化方法。 在国际并行问题解决自然会议中（第249-257页）。 Springer, 柏林, 海德堡。 https://link.springer.com/chapter/10.1007/3-540-58484-6_269