EVOEvoX mark
打开菜单

数值优化

数值优化

本 Notebook 提供了一个循序渐进的教程，介绍如何利用 EvoX 通过粒子群优化 (PSO) 算法来优化 Ackley 函数。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

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

接下来，我们在 EvoX 的数值问题中选择 Ackley 函数。

# Define the problem
problem = Ackley()

我们创建一个 EvalMonitor 实例，用于在优化过程中跟踪必要的信息。

# Define the monitor
monitor = EvalMonitor()

StdWorkflow 类提供了一个标准化的流程来集成算法、问题和监控器。

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

调用 setup() 会初始化组件，使工作流准备好执行优化步骤。

我们运行一定迭代次数的优化（本例中为 100 次）。在每次迭代中，step() 方法会更新 PSO 算法，在 Ackley 函数上评估新的候选解，并通过监控器跟踪它们的适应度。

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

最后，我们从工作流中检索 monitor 子模块，以访问目前找到的最优解 (topk_solutions) 及其对应的目标值 (topk_fitness)。然后我们打印最佳结果及其关联的解。

# 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()
←返回文档首页