- CMA-ES с маржой для одноцелевой и многоцелевой оптимизации черного ящика со смешанными целыми числами (arXiv)
Автор: Рёки Хамано, Шота Сайто, Масахиро Номура, Шиничи Сиракава.
Аннотация: Это исследование нацелено на задачу оптимизации смешанных целых чисел методом черного ящика (MI-BBO), где непрерывные и целочисленные переменные должны быть оптимизированы одновременно. CMA-ES, на котором мы сосредоточились в этом исследовании, представляет собой метод стохастического поиска на основе популяции, который отбирает варианты решения из многомерного гауссовского распределения (MGD), который показывает превосходную производительность в непрерывном BBO. Параметры MGD, среднее значение и (ко)дисперсия обновляются на основе значения оценки возможных решений в CMA-ES. Однако, если CMA-ES применяется к MI-BBO с прямой дискретизацией, дисперсия, соответствующая целочисленным переменным, становится намного меньше, чем степень детализации дискретизации до достижения оптимального решения, что приводит к стагнации оптимизации. В частности, когда в задачу включаются бинарные переменные, этот застой, скорее всего, возникает из-за того, что степень детализации дискретизации становится шире, а существующая модификация CMA-ES не устраняет этот застой. Чтобы преодолеть эти ограничения, мы предлагаем простое расширение CMA-ES, основанное на нижней границе предельных вероятностей, связанных с генерацией целочисленных переменных в MGD. Численные эксперименты на эталонных задачах MI-BBO демонстрируют эффективность и надежность предложенного метода. Кроме того, чтобы продемонстрировать общность идеи предлагаемого метода, в дополнение к случаю оптимизации с одной целью, мы включаем его в многокритериальный CMA-ES и проверяем его эффективность на двухцелевых смешанных целочисленных тестах.
2.PyPop7: библиотека Pure-Python для оптимизации черного ящика на основе популяции (arXiv)
Автор: Цици Дуань, Гочэнь Чжоу, Чан Шао, Чжовэй Ван, Минъян Фэн, Ицзюнь Ян, Ци Чжао, Юхуэй Ши.
Аннотация: В этой статье мы представляем чистую библиотеку Python с открытым исходным кодом, называемую PyPop7, для оптимизации черного ящика (BBO). Он предоставляет унифицированный и модульный интерфейс для более чем 60 версий и вариантов различных алгоритмов оптимизации черного ящика, особенно оптимизаторов на основе популяции, которые можно разделить на 12 популярных семейств: стратегии эволюции (ES), стратегии естественного развития (NES), Оценка алгоритмов распределения (EDA), кросс-энтропийный метод (CEM), дифференциальная эволюция (DE), оптимизатор роя частиц (PSO), кооперативная коэволюция (CC), имитация отжига (SA), генетические алгоритмы (GA), эволюционное программирование ( EP), поиск по шаблону (PS) и случайный поиск (RS). Он также содержит множество примеров, интересных руководств и полноценную документацию по API. С помощью этой новой библиотеки мы надеемся предоставить хорошо спроектированную платформу для сравнительного анализа оптимизаторов и продвижения их реальных приложений, особенно для крупномасштабных BBO. Его исходный код и документация доступны по адресу https://github.com/Evolutionary-Intelligence/pypop и https://pypop.readthedocs.io/en/latest соответственно.
