基于 Elo 适应的差异进化

文件

概述

差分进化 (DE) 优化算法即使在高维复杂问题上也能令人满意地执行。但是，很难先验地选择最优参数。在这个包中，我们提出了 DElo（基于 Elo 评级系统进行改编的 DE）。Elo 评分最初用于国际象棋，是一种衡量动态适应度的方法。

安装

导航到存储库根文件夹并执行命令

pip install -e .

这将安装开发人员版本 - 对包源中文件的任何更改都将立即生效。无需重新安装。

要安装常规版本，只需不带-e选项执行即可。

例子

import delo

如果一个函数接受一个参数并返回一个值，像这样：

def my_single_argument_function(x):
    return np.sum(x ** 2)

必须像这样包装它：

def my_multi_argument_wrapping(x):
    return np.array([my_single_argument_function(xi) for xi in x])

described_my_function = delo.DescribedFunction(my_multi_argument_wrapping,
                                               dimension=5,
                                               domain_lower_limit=-5,
                                               domain_upper_limit=5)

然后，可以使用 DElo 找到函数的最优值：

algorithm = delo.DElo(100)
solution, best_f_value = algorithm.optimize(described_my_function, max_f_evals=10000)
print(solution, best_f_value)
# [0.0  0.0 -0.0  0.0  0.0], 8.5e-09

或者可以使用 DEloTQI 找到函数的最优值：

algorithm = delo.DElo_ties_and_QI(100)
solution, best_f_value = algorithm.optimize(described_my_function, max_f_evals=10000)
print(solution, best_f_value)
# [0.0 -0.0 -0.0 -0.0  0.0], 1.1e-11

参考：

1. 阴影
2. “有关 ES 的更全面介绍，请参阅 Beyer 和 Schwefel (2002)”~ 2021 年的预印本：“超参数优化：基础、算法、最佳实践和开放挑战”
3. Beyer, H.-G., & Schwefel, H.-P. （2002 年）。进化策略 - 全面介绍。自然计算，1, 3–52。 弹簧链接

国际象棋ELO系统解释：

1. https://youtu.be/AsYfbmp0To0
2. https://en.wikipedia.org/wiki/Elo_rating_system

一般的想法是比较两个解决方案/基因组/样本时。如果一个人有更好的分数，不要认为它更好，而是它将是一个更有可能变得更好的人。

它基于其中 S 是 sigmoid 函数，是评分函数，是第 i 个样本。

致谢

在 Michal Okulewicz 博士的监督下，作为 Przemyslaw Adam Chojecki 和 Pawel Morgen 的联合工程师论文的一部分开发。在华沙理工大学。