EVO X

Otimização Numérica

Otimização Numérica

Este notebook oferece um tutorial passo a passo sobre a utilização do EvoX para otimizar a função Ackley através do algoritmo de Otimização por Enxame de Partículas (PSO). Tanto o algoritmo PSO como o problema de otimização Ackley estão integrados como componentes nativos na framework EvoX.

Primeiro, devemos importar todos os módulos necessários incluindo 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

Aqui, instanciamos o algoritmo PSO. Especificamos as seguintes definições:

  • pop_size: O tamanho do enxame de partículas (população).
  • lb e ub: Os limites inferior e superior para cada dimensão no espaço de busca.
  • Outros parâmetros são todos padrão. Por favor, consulte a API detalhada.
# Define the algorithm
algorithm = PSO(pop_size=100, lb=-32 * torch.ones(10), ub=32 * torch.ones(10))

A seguir, escolhemos a função Ackley nos problemas numéricos do EvoX.

# Define the problem
problem = Ackley()

Criamos uma instância EvalMonitor para acompanhar informações necessárias durante o procedimento de otimização.

# Define the monitor
monitor = EvalMonitor()

A classe StdWorkflow fornece um processo padronizado para integrar o algoritmo, problema e monitor.

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

Chamar setup() inicializa os componentes para que o workflow esteja pronto para realizar passos de otimização.

Executamos a otimização durante um certo número de iterações (100 neste exemplo). Em cada iteração, o método step() atualiza o algoritmo PSO, avalia novas soluções candidatas na função Ackley e acompanha a sua aptidão através do monitor.

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

Finalmente, recuperamos o submódulo monitor do workflow para aceder às melhores soluções encontradas até agora (topk_solutions) e os seus valores objetivo correspondentes (topk_fitness). Depois imprimimos o melhor resultado e a solução associada.

# 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()
← Voltar à documentação