수치 최적화

이 노트북은 EvoX를 사용하여 PSO(Particle Swarm Optimization) 알고리즘을 통해 Ackley 함수를 최적화하는 단계별 튜토리얼을 제공합니다. PSO 알고리즘과 Ackley 최적화 문제는 모두 EvoX 프레임워크 내에 내장 컴포넌트로 통합되어 있습니다.

먼저 PSO(알고리즘), Ackley(문제), StdWorkflow 및 EvalMonitor(워크플로우)를 포함한 모든 필수 모듈을 가져와야 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 크기입니다.
• lb 및 ub: 검색 공간의 각 차원에 대한 하한 및 상한입니다.
• 다른 매개변수는 모두 기본값입니다. 자세한 내용은 API를 참조하세요.

# Define the algorithm
algorithm = PSO(pop_size=100, lb=-32 * torch.ones(10), ub=32 * torch.ones(10))

다음으로, EvoX의 수치 문제에서 Ackley 함수를 선택합니다.

# Define the problem
problem = Ackley()

최적화 과정 중 필요한 정보를 추적하기 위해 EvalMonitor 인스턴스를 생성합니다.

# Define the monitor
monitor = EvalMonitor()

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

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

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

특정 반복 횟수(이 예제에서는 100회) 동안 최적화를 실행합니다. 각 반복에서 step() 메서드는 PSO 알고리즘을 업데이트하고, Ackley 함수에서 새로운 후보 솔루션을 평가하며, 모니터를 통해 적합도(fitness)를 추적합니다.

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

마지막으로 워크플로우에서 monitor 서브모듈을 가져와 지금까지 발견된 상위 솔루션(topk_solutions)과 해당 목적 함수 값(topk_fitness)에 액세스합니다. 그런 다음 최상의 결과와 관련 솔루션을 출력합니다.

# 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()