EVO X

Ottimizzazione Numerica

Ottimizzazione Numerica

Questo notebook offre un tutorial passo-passo sull’utilizzo di EvoX per ottimizzare la funzione Ackley tramite l’algoritmo di Ottimizzazione a Sciame di Particelle (PSO). Sia l’algoritmo PSO che il problema di ottimizzazione Ackley sono integrati come componenti predefiniti nel framework EvoX.

Per prima cosa, dobbiamo importare tutti i moduli necessari inclusi PSO (algoritmo), Ackley (problema) e StdWorkflow & EvalMonitor (workflow).

import torch

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

Qui, istanziamo l’algoritmo PSO. Specifichiamo le seguenti impostazioni:

  • pop_size: La dimensione dello sciame di particelle (popolazione).
  • lb e ub: I limiti inferiore e superiore per ogni dimensione nello spazio di ricerca.
  • Gli altri parametri sono tutti predefiniti. Consulta l’API dettagliata.
# Definisci l'algoritmo
algorithm = PSO(pop_size=100, lb=-32 * torch.ones(10), ub=32 * torch.ones(10))

Successivamente, scegliamo la funzione Ackley tra i problemi numerici di EvoX.

# Definisci il problema
problem = Ackley()

Creiamo un’istanza di EvalMonitor per tracciare le informazioni necessarie durante la procedura di ottimizzazione.

# Definisci il monitor
monitor = EvalMonitor()

La classe StdWorkflow fornisce un processo standardizzato per integrare l’algoritmo, il problema e il monitor.

# Definisci il workflow
workflow = StdWorkflow(algorithm=algorithm, problem=problem, monitor=monitor)

Chiamare setup() inizializza i componenti in modo che il workflow sia pronto per eseguire i passi di ottimizzazione.

Eseguiamo l’ottimizzazione per un certo numero di iterazioni (100 in questo esempio). In ogni iterazione, il metodo step() aggiorna l’algoritmo PSO, valuta le nuove soluzioni candidate sulla funzione Ackley e traccia la loro fitness tramite il monitor.

# Esegui la procedura di ottimizzazione della funzione Ackley
for _ in range(100):
    workflow.step()

Infine, recuperiamo il sottomodulo monitor dal workflow per accedere alle migliori soluzioni trovate finora (topk_solutions) e i corrispondenti valori obiettivo (topk_fitness). Poi stampiamo il miglior risultato e la soluzione associata.

# Ottieni la migliore soluzione e la sua 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()
← Torna alla documentazione