EVO X

数值优化

数值优化

本教程提供了使用 EvoX 通过粒子群优化（PSO）算法优化 Ackley 函数的分步指南。PSO 算法和 Ackley 优化问题都作为内置组件集成在 EvoX 框架中。

首先，我们需要导入所有必要的模块，包括 PSO（算法）、Ackley（问题）以及 StdWorkflow 和 EvalMonitor（工作流）。

import torch

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

这里，我们实例化 PSO 算法。我们指定以下设置：

  • pop_size：粒子群（种群）的大小。
  • lb 和 ub：搜索空间中每个维度的下界和上界。
  • 其他参数均为默认值。请参阅详细的 API 文档。
# 定义算法
algorithm = PSO(pop_size=100, lb=-32 * torch.ones(10), ub=32 * torch.ones(10))

接下来，我们选择 EvoX 数值问题中的 Ackley 函数。

# 定义问题
problem = Ackley()

我们创建一个 EvalMonitor 实例来跟踪优化过程中的必要信息。

# 定义监视器
monitor = EvalMonitor()

StdWorkflow 类提供了一个标准化流程来集成算法、问题和监视器。

# 定义工作流
workflow = StdWorkflow(algorithm=algorithm, problem=problem, monitor=monitor)

调用 setup() 初始化各组件，使工作流准备好执行优化步骤。

我们运行一定次数的迭代优化（本例中为 100 次）。在每次迭代中，step() 方法更新 PSO 算法，在 Ackley 函数上评估新的候选解，并通过监视器跟踪其适应度。

# 执行 Ackley 函数优化过程
for _ in range(100):
    workflow.step()

最后，我们从工作流中获取 monitor 子模块，以访问迄今为止找到的最优解（topk_solutions）及其对应的目标值（topk_fitness）。然后我们打印最佳结果和相关解。

# 获取最佳解及其适应度
population = monitor.topk_solutions
fitness = monitor.topk_fitness
print(f"The best solution is:\n{population},\nwith the minimum value:\n{fitness}")
monitor.plot()
← 返回文档