EVO X

數值最佳化

數值最佳化

本筆記本提供了使用 EvoX 透過粒子群最佳化（PSO）演算法來最佳化 Ackley 函數的逐步教學。PSO 演算法和 Ackley 最佳化問題都作為內建元件整合在 EvoX 框架中。

首先，我們應該匯入所有必要的模組，包括 PSO（演算法）、Ackley（問題）和 StdWorkflow 及 EvalMonitor（工作流程）。

import torch

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

在這裡，我們實例化 PSO 演算法。我們指定以下設定：

  • pop_size：粒子群（種群）的大小。
  • lb 和 ub：搜尋空間中每個維度的下界和上界。
  • 其他參數均為預設值。請參閱詳細的 API。
# Define the algorithm
algorithm = PSO(pop_size=100, lb=-32 * torch.ones(10), ub=32 * torch.ones(10))

接下來，我們選擇 EvoX 數值問題中的 Ackley 函數。

# Define the problem
problem = Ackley()

我們建立一個 EvalMonitor 實例來追蹤最佳化過程中的必要資訊。

# Define the monitor
monitor = EvalMonitor()

StdWorkflow 類別提供了一個標準化的流程來整合演算法、問題和監控器。

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

呼叫 setup() 初始化元件，使工作流程準備好執行最佳化步驟。

我們執行一定次數的迭代（本範例中為 100 次）。在每次迭代中，step() 方法更新 PSO 演算法，在 Ackley 函數上評估新的候選解，並透過監控器追蹤其適應度。

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

最後，我們從工作流程中檢索 monitor 子模組，以存取目前找到的最佳解（topk_solutions）及其對應的目標值（topk_fitness）。然後我們列印最佳結果和相關的解。

# 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()
← 返回文件