程序包 org.hipparchus.optim.nonlinear.scalar.noderiv

类 CMAESOptimizer

java.lang.Object
org.hipparchus.optim.BaseOptimizer<PointValuePair>
org.hipparchus.optim.BaseMultivariateOptimizer<PointValuePair>
org.hipparchus.optim.nonlinear.scalar.MultivariateOptimizer
org.hipparchus.optim.nonlinear.scalar.noderiv.CMAESOptimizer
public class CMAESOptimizer extends MultivariateOptimizer
用于非线性、非凸、非光滑、全局函数最小化的主动协方差矩阵适应进化策略（CMA-ES）的实现。

CMA-Evolution Strategy（CMA-ES）是一种可靠的随机优化方法，应用于当基于导数的方法（例如拟牛顿BFGS或共轭梯度）由于目标函数的崎岖搜索景观（例如噪声、局部最优、异常值等）而失败时。像拟牛顿方法一样，CMA-ES学习并应用于基础搜索空间的可变度量。与拟牛顿方法不同，CMA-ES既不估计也不使用梯度，因此在找到良好或接近最优解方面更加可靠。

一般来说，在光滑的目标函数上，CMA-ES比BFGS慢大约十倍（计算目标函数评估，不提供梯度）。对于最多\(n=10\)个变量，无导数的单纯形直接搜索方法（Nelder和Mead）可能更快，但比CMA-ES可靠性要低得多。

CMA-ES特别适用于非可分离和/或条件糟糕的问题。要观察CMA相对于传统进化策略的优势，通常需要大约\(30 n\)个函数评估。在困难问题上，完整的优化（单次运行）预计需要大约\(30 n\)到\(300 n^2\)个函数评估。

此实现是从CMA-ES算法的Matlab版本（在模块cmaes.m版本3.51中实现）翻译和调整而来。

有关更多信息，请参考以下链接：

  • 构造器详细资料

    • CMAESOptimizer

      public CMAESOptimizer(int maxIterations, double stopFitness, boolean isActiveCMA, int diagonalOnly, int checkFeasableCount, RandomGenerator random, boolean generateStatistics, ConvergenceChecker<PointValuePair> checker)
      简单构造函数。
      参数:
      maxIterations - 最大迭代次数。
      stopFitness - 如果目标函数值小于stopFitness，是否停止。
      isActiveCMA - 选择协方差矩阵更新方法。
      diagonalOnly - 初始迭代次数，协方差矩阵保持对角线的次数。
      checkFeasableCount - 确定在超出边界时新生成随机目标变量的频率。
      random - 随机生成器。
      generateStatistics - 是否收集统计数据。
      checker - 收敛检查器。

  • 方法详细资料