CR-FM-NES [幻灯片]

CR-FM-NES [1] 实现。CR-FM-NES 的主要特点是时间和空间复杂度都是线性的，部分考虑变量依赖性。因此，它特别适合高维问题（大约几百到几千维）。另一方面，它即使在低维问题上也能实现高性能。这是将 FM-NES (Fast Moving Natural Evolution Strategy) [2] 扩展到高维问题的一种方法。如果您有任何问题，请通过电子邮件masahironomura5325@gmail.com联系。

如果您在研究中发现此代码有用，请引用

@INPROCEEDINGS{nomura2022fast,
  title={Fast Moving Natural Evolution Strategy for High-Dimensional Problems},
  author={Nomura, Masahiro and Ono, Isao},
  booktitle={2022 IEEE Congress on Evolutionary Computation (CEC)}, 
  pages={1-8},
  year={2022},
}

新闻

• (2022/07) 论文 用于高维问题的快速移动自然进化策略 已被 IEEE CEC'22 接收。
• (2022/12) CR-FM-NES 已集成到 evosax，它提供基于 JAX 的进化策略实现。感谢 @RobertTLange 和 @Obliman！

入门

先决条件

您只需要 NumPy，这是一个用于科学计算的包。

安装

请运行以下命令。

$ pip install crfmnes

示例

这是一个简单的示例，目标函数是球面函数。请注意，优化问题被表示为 最小化 问题。

import numpy as np
from crfmnes import CRFMNES

dim = 3
f = lambda x: np.sum(x**2)
mean = np.ones([dim, 1]) * 0.5
sigma = 0.2
lamb = 6
crfmnes = CRFMNES(dim, f, mean, sigma, lamb)

x_best, f_best = crfmnes.optimize(100)
print("x_best:{}, f_best:{}".format(x_best, f_best))
# x_best:[1.64023896e-05 2.41682149e-05 3.40657594e-05], f_best:2.0136169613476005e-09

对于约束问题

CR-FM-NES 可应用于（隐式）约束的黑盒优化问题。请将不可行解的目标函数值设置为 np.inf。CR-FM-NES 反映信息并执行高效搜索。请参阅[3]获取此仓库中实现约束处理方法的详细信息。

CR-FM-NES 的其他版本

我非常感激 CR-FM-NES 在其他设置中的实现。

• C# 实现： bakanaouji/CRFMNES_CS
• C++ 实现： dietmarwo/fast-cma-es
• Jax(Python) 实现： RobertTLange/evosax

参考文献

• [1] M. Nomura, I. Ono, 高维问题的快速移动自然进化策略，IEEE CEC，2022。
• [2] M. Nomura, I. Ono, 带有脊结构的无约束和隐式约束问题的自然进化策略，IEEE SSCI，2021。
• [3] M. Nomura, N. Sakai, N. Fukushima 和 I. Ono，用于隐式约束黑盒函数优化的距离加权指数自然进化策略，IEEE CEC，2021。