EVO X

Numerische Optimierung

Numerische Optimierung

Dieses Notebook bietet ein schrittweises Tutorial zur Nutzung von EvoX zur Optimierung der Ackley-Funktion durch den Partikelschwarmoptimierungs-Algorithmus (PSO). Sowohl der PSO-Algorithmus als auch das Ackley-Optimierungsproblem sind als eingebaute Komponenten im EvoX-Framework integriert.

Zunächst sollten wir alle notwendigen Module importieren, einschließlich PSO (Algorithmus), Ackley (Problem) und StdWorkflow & EvalMonitor (Workflow).

import torch

from evox.algorithms import PSO
from evox.problems.numerical import Ackley
from evox.workflows import StdWorkflow, EvalMonitor

Hier instanziieren wir den PSO-Algorithmus. Wir legen die folgenden Einstellungen fest:

  • pop_size: Die Größe des Partikelschwarms (Population).
  • lb und ub: Die unteren und oberen Grenzen für jede Dimension im Suchraum.
  • Andere Parameter sind alle Standard. Bitte beziehen Sie sich auf die detaillierte API.
# Define the algorithm
algorithm = PSO(pop_size=100, lb=-32 * torch.ones(10), ub=32 * torch.ones(10))

Als Nächstes wählen wir die Ackley-Funktion aus EvoX’ numerischem Problem.

# Define the problem
problem = Ackley()

Wir erstellen eine EvalMonitor-Instanz, um notwendige Informationen während des Optimierungsverfahrens zu verfolgen.

# Define the monitor
monitor = EvalMonitor()

Die StdWorkflow-Klasse bietet einen standardisierten Prozess zur Integration von Algorithmus, Problem und Monitor.

# Define the workflow
workflow = StdWorkflow(algorithm=algorithm, problem=problem, monitor=monitor)

Der Aufruf von setup() initialisiert die Komponenten, sodass der Workflow bereit ist, Optimierungsschritte durchzuführen.

Wir führen die Optimierung für eine bestimmte Anzahl von Iterationen aus (100 in diesem Beispiel). In jeder Iteration aktualisiert die step()-Methode den PSO-Algorithmus, bewertet neue Kandidatenlösungen auf der Ackley-Funktion und verfolgt deren Fitness über den Monitor.

# Perform the Ackley function optimization procedure
for _ in range(100):
    workflow.step()

Schließlich rufen wir das monitor-Submodul aus dem Workflow ab, um auf die besten bisher gefundenen Lösungen (topk_solutions) und ihre entsprechenden Zielwerte (topk_fitness) zuzugreifen. Dann geben wir das beste Ergebnis und die zugehörige Lösung aus.

# Get the best solution and its fitness
population = monitor.topk_solutions
fitness = monitor.topk_fitness
print(f"The best solution is:\n{population},\nwith the minimum value:\n{fitness}")
monitor.plot()
← Zurück zur Dokumentation