数值优化

本笔记本提供了一个逐步教程，指导如何使用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，我们应该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，我们实例化了PSO算法。我们指定了以下设置：

• pop_size: 粒子群（种群）的大小。

• lb 和 ub: 搜索空间中每个维度的下限和上限。

• 其他参数都是默认的。请参考详细的API。

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

接下来，我们选择 EvoX 的数值问题中的 Ackley 函数。

# Define the problem
problem = Ackley()

我们创建一个EvalMonitor实例，以跟踪优化过程中的必要信息。

# Define the monitor
monitor = EvalMonitor()

StdWorkflow 类提供了一个标准化的过程来整合算法、问题和监控器。

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

调用 setup() 初始化组件，使工作流准备好执行优化步骤。

我们运行优化过程一定次数的迭代（在这个例子中是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，以访问迄今为止找到的最佳解决方案 (topk_solutions) 及其对应的目标值 (topk_fitness)。然后，我们打印出最佳结果及其相关的解决方案。

# 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}")

The best solution is:
tensor([[ 2.9274e-06, -6.9952e-05, -9.1939e-06, -1.6155e-05,  2.9382e-06,
          2.8082e-05, -3.1130e-05, -3.7086e-05, -1.1396e-05,  3.6595e-05]]),
with the minimum value:
tensor([0.0001])

monitor.plot()