EVO X

수치 최적화

수치 최적화

이 노트북은 입자 군집 최적화(PSO) 알고리즘을 통해 Ackley 함수를 최적화하기 위해 EvoX를 활용하는 단계별 튜토리얼을 제공합니다. PSO 알고리즘과 Ackley 최적화 문제 모두 EvoX 프레임워크 내에 내장 구성 요소로 통합되어 있습니다.

먼저 PSO(알고리즘), Ackley(문제) 및 StdWorkflow & EvalMonitor(워크플로우)를 포함한 모든 필요한 모듈을 임포트해야 합니다.

import torch

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

여기서 PSO 알고리즘을 인스턴스화합니다. 다음 설정을 지정합니다:

  • pop_size: 입자 군집(개체군)의 크기.
  • lb 및 ub: 탐색 공간에서 각 차원의 하한 및 상한.
  • 기타 파라미터는 모두 기본값입니다. 자세한 API를 참조하세요.
# 알고리즘 정의
algorithm = PSO(pop_size=100, lb=-32 * torch.ones(10), ub=32 * torch.ones(10))

다음으로 EvoX의 수치 문제에서 Ackley 함수를 선택합니다.

# 문제 정의
problem = Ackley()

최적화 절차 중 필요한 정보를 추적하기 위해 EvalMonitor 인스턴스를 생성합니다.

# 모니터 정의
monitor = EvalMonitor()

StdWorkflow 클래스는 알고리즘, 문제 및 모니터를 통합하는 표준화된 프로세스를 제공합니다.

# 워크플로우 정의
workflow = StdWorkflow(algorithm=algorithm, problem=problem, monitor=monitor)

setup()을 호출하면 구성 요소가 초기화되어 워크플로우가 최적화 단계를 수행할 준비가 됩니다.

일정 횟수의 반복(이 예제에서는 100회) 동안 최적화를 실행합니다. 각 반복에서 step() 메서드는 PSO 알고리즘을 업데이트하고, Ackley 함수에서 새로운 후보 솔루션을 평가하며, 모니터를 통해 적합도를 추적합니다.

# Ackley 함수 최적화 절차 수행
for _ in range(100):
    workflow.step()

마지막으로 워크플로우에서 monitor 하위 모듈을 검색하여 지금까지 찾은 상위 솔루션(topk_solutions)과 해당 목적 값(topk_fitness)에 접근합니다. 그런 다음 최적 결과와 관련 솔루션을 출력합니다.

# 최적 솔루션과 적합도 가져오기
population = monitor.topk_solutions
fitness = monitor.topk_fitness
print(f"최적 솔루션:\n{population},\n최소값:\n{fitness}")
monitor.plot()
← 문서로 돌아가기