EVO X
Open menu

Численная оптимизация

Численная оптимизация

Этот ноутбук представляет собой пошаговое руководство по использованию EvoX для оптимизации функции Ackley с помощью алгоритма Particle Swarm Optimization (PSO). Как алгоритм PSO, так и задача оптимизации Ackley интегрированы в качестве встроенных компонентов в фреймворк EvoX.

Сначала необходимо импортировать все нужные модули, включая PSO (алгоритм), Ackley (задача), а также StdWorkflow и EvalMonitor (рабочий процесс).

import torch

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

Здесь мы создаем экземпляр алгоритма PSO. Мы указываем следующие настройки:

  • pop_size: Размер роя частиц (популяции).
  • lb и ub: Нижняя и верхняя границы для каждого измерения в пространстве поиска.
  • Остальные параметры оставлены по умолчанию. Пожалуйста, обратитесь к подробному описанию API.
# Define the algorithm
algorithm = PSO(pop_size=100, lb=-32 * torch.ones(10), ub=32 * torch.ones(10))

Далее мы выбираем функцию Ackley из численных задач EvoX.

# Define the problem
problem = Ackley()

Мы создаем экземпляр EvalMonitor для отслеживания необходимой информации в процессе оптимизации.

# Define the monitor
monitor = EvalMonitor()

Класс StdWorkflow предоставляет стандартизированный процесс для интеграции алгоритма, задачи и монитора.

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

Вызов setup() инициализирует компоненты, подготавливая рабочий процесс к выполнению шагов оптимизации.

Мы запускаем оптимизацию на определенное количество итераций (100 в данном примере). На каждой итерации метод step() обновляет алгоритм PSO, оценивает новые решения-кандидаты на функции Ackley и отслеживает их приспособленность (fitness) с помощью монитора.

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

Наконец, мы извлекаем подмодуль monitor из рабочего процесса, чтобы получить доступ к лучшим найденным решениям (topk_solutions) и соответствующим значениям целевой функции (topk_fitness). Затем мы выводим лучший результат и соответствующее ему решение.

# 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()
← Вернуться к документации