optimizer

alo

dramkit.optimizer.alo.alo(objf, func_opter_parms)

蚁狮优化算法(Ant Lion Optimizer) ALO algorithm

Todo

目前仅考虑自变量连续实数情况，以后可增加自变量为离散的情况

Parameters:

objf (function) – 目标函数。注：须事先转化为求极小值问题
func_opter_parms (FuncOpterInfo) –
dramkit.optimizer.utils_heuristic.FuncOpterInfo 类，须设置parms_func、parms_opter、parms_log

parms_func为目标函数参数信息dict，key须包含:

x_lb: 自变量每个维度取值下界，list或数值，为list时长度应等于dim

x_ub: 自变量每个维度取值上界，list或数值，为list时长度应等于dim

dim: 自变量维度数

kwargs: 目标函数接收的其它参数

parms_opter: 优化函数参数信息dict，key须包含:

popsize: 群体数量（每轮迭代的样本数量）

max_iter: 最大迭代寻优次数

parms_log: 日志参数信息dict，key须包含:

logger: 日志记录器

nshow: 若为整数，则每隔nshow轮日志输出当前最优目标函数值

Returns:

func_opter_parms – 更新优化过程之后的func_opter_parms

Return type:

FuncOpterInfo

References

base_funcs

TestFuncs

class dramkit.optimizer.base_funcs.TestFuncs

Bases: object

测试函数集，输入x须为np.array

static ackley(x)

static ackley2(x)

static f1(x): 平方和

static f10(x)

static f11(x)

static f12(x)

static f2(x): 绝对值之和加上连乘

static f3(x): x[0]^2 + (x[0]+x[1])^2 + (x[0]+x[1]+x[2])^2 + …

static f4(x): 最小绝对值

static f5(x): 最大绝对值

static f6(x)

static f7(x)

static f8(x)

static f9(x)

static griewank(x)

static rastrigin(x)

static rosenbrock(x)

static schwefel(x)

static sphere(x)

prod

dramkit.optimizer.base_funcs.prod(it): it中的元素连乘

boa

dramkit.optimizer.boa.boa(objf, func_opter_parms)

蝴蝶优化算法(Butterfly Optimization Algorithm) BOA

Todo

目前仅考虑自变量连续实数情况，以后可增加自变量为离散的情况

Parameters:

objf (function) – 目标函数。注：须事先转化为求极小值问题
func_opter_parms (FuncOpterInfo) –
dramkit.optimizer.utils_heuristic.FuncOpterInfo 类，须设置parms_func、parms_opter、parms_log

parms_func为目标函数参数信息dict，key须包含:

x_lb: 自变量每个维度取值下界，list或数值，为list时长度应等于dim

x_ub: 自变量每个维度取值上界，list或数值，为list时长度应等于dim

dim: 自变量维度数

kwargs: 目标函数接收的其它参数

parms_opter: 优化函数参数信息dict，key须包含:

popsize: 群体数量（每轮迭代的样本数量）

max_iter: 最大迭代寻优次数

p: 全局/局部搜索转化概率

power_exponent: a in BOA蝴蝶优化算法.pdf-Eq.(1)

sensory_modality: c in BOA蝴蝶优化算法.pdf-Eq.(1)

parms_log: 日志参数信息dict，key须包含:

logger: 日志记录器

nshow: 若为整数，则每隔nshow轮日志输出当前最优目标函数值

Returns:

func_opter_parms – 更新优化过程之后的func_opter_parms

Return type:

FuncOpterInfo

References

BOA蝴蝶优化算法.pdf

cs

dramkit.optimizer.cs.cs(objf, func_opter_parms)

布谷鸟搜索算法(Cuckoo Search) CS algorithm

Todo

目前仅考虑自变量连续实数情况，以后可增加自变量为离散的情况

Parameters:

objf (function) – 目标函数。注：须事先转化为求极小值问题
func_opter_parms (FuncOpterInfo) –
dramkit.optimizer.utils_heuristic.FuncOpterInfo 类，须设置parms_func、parms_opter、parms_log

parms_func为目标函数参数信息dict，key须包含:

x_lb: 自变量每个维度取值下界，list或数值，为list时长度应等于dim

x_ub: 自变量每个维度取值上界，list或数值，为list时长度应等于dim

dim: 自变量维度数

kwargs: 目标函数接收的其它参数

parms_opter: 优化函数参数信息dict，key须包含:

popsize: 群体数量（每轮迭代的样本数量）

max_iter: 最大迭代寻优次数

pa: 鸟巢被发现概率

alpha, beta: Levy飞行参数

parms_log: 日志参数信息dict，key须包含:

logger: 日志记录器

nshow: 若为整数，则每隔nshow轮日志输出当前最优目标函数值

Returns:

func_opter_parms – 更新优化过程之后的func_opter_parms

Return type:

FuncOpterInfo

References

ga

dramkit.optimizer.ga.ga(objf, func_opter_parms)

遗传算法(Genetic Algorithm) GA（实数编码）

Todo

目前仅考虑自变量连续实数情况，以后可增加自变量为离散的情况

Parameters:

objf (function) – 目标函数。注：须事先转化为求极小值问题
func_opter_parms (FuncOpterInfo) –
dramkit.optimizer.utils_heuristic.FuncOpterInfo 类，须设置parms_func、parms_opter、parms_log

parms_func为目标函数参数信息dict，key须包含:

x_lb: 自变量每个维度取值下界，list或数值，为list时长度应等于dim

x_ub: 自变量每个维度取值上界，list或数值，为list时长度应等于dim

dim: 自变量维度数

kwargs: 目标函数接收的其它参数

parms_opter: 优化函数参数信息dict，key须包含:

popsize: 群体数量（每轮迭代的样本数量）

max_iter: 最大迭代寻优次数

p_crs: 交叉概率

p_mut: 变异概率

n_top: 每一轮（代）保留的最优个体数

parms_log: 日志参数信息dict，key须包含:

logger: 日志记录器

nshow: 若为整数，则每隔nshow轮日志输出当前最优目标函数值

Returns:

func_opter_parms – 更新优化过程之后的func_opter_parms

Return type:

FuncOpterInfo

References

gwo

dramkit.optimizer.gwo.gwo(objf, func_opter_parms)

灰狼优化算法(Grey Wolf Optimizer) GWO algorithm

Todo

目前仅考虑自变量连续实数情况，以后可增加自变量为离散的情况

Parameters:

objf (function) – 目标函数。注：须事先转化为求极小值问题
func_opter_parms (FuncOpterInfo) –
dramkit.optimizer.utils_heuristic.FuncOpterInfo 类，须设置parms_func、parms_opter、parms_log

parms_func为目标函数参数信息dict，key须包含:

x_lb: 自变量每个维度取值下界，list或数值，为list时长度应等于dim

x_ub: 自变量每个维度取值上界，list或数值，为list时长度应等于dim

dim: 自变量维度数

kwargs: 目标函数接收的其它参数

parms_opter: 优化函数参数信息dict，key须包含:

popsize: 群体数量（每轮迭代的样本数量）

max_iter: 最大迭代寻优次数

parms_log: 日志参数信息dict，key须包含:

logger: 日志记录器

nshow: 若为整数，则每隔nshow轮日志输出当前最优目标函数值

Returns:

func_opter_parms – 更新优化过程之后的func_opter_parms

Return type:

FuncOpterInfo

References

GWO灰狼优化.pdf
https://github.com/7ossam81/EvoloPy

hcpsoboa

dramkit.optimizer.hcpsoboa.hcpsoboa(objf, func_opter_parms)

粒子群-柯西变异-蝴蝶混合优化算法

Todo

添加文中的cubic map随机初始化方法
目前仅考虑自变量连续实数情况，以后可增加自变量为离散的情况

Parameters:

objf (function) – 目标函数。注：须事先转化为求极小值问题
func_opter_parms (FuncOpterInfo) –
dramkit.optimizer.utils_heuristic.FuncOpterInfo 类，须设置parms_func、parms_opter、parms_log

parms_func为目标函数参数信息dict，key须包含:

x_lb: 自变量每个维度取值下界，list或数值，为list时长度应等于dim

x_ub: 自变量每个维度取值上界，list或数值，为list时长度应等于dim

dim: 自变量维度数

kwargs: 目标函数接收的其它参数

parms_opter: 优化函数参数信息dict，key须包含:

popsize: 群体数量（每轮迭代的样本数量）

max_iter: 最大迭代寻优次数

p: 全局/局部搜索转化概率

power_exponent: a in BOA蝴蝶优化算法.pdf-Eq.(1)

sensory_modality: c in BOA蝴蝶优化算法.pdf-Eq.(1)

parms_log: 日志参数信息dict，key须包含:

logger: 日志记录器

nshow: 若为整数，则每隔nshow轮日志输出当前最优目标函数值

Returns:

func_opter_parms – 更新优化过程之后的func_opter_parms

Return type:

FuncOpterInfo

References

BOA蝴蝶优化算法.pdf
HPSOBOA粒子群蝴蝶混合优化算法.pdf
柯西变异和自适应权重优化的蝴蝶算法_高文欣.pdf

hho

dramkit.optimizer.hho.hho(objf, func_opter_parms)

哈里斯鹰优化算法(Harris Hawks Optimizer) HHO algorithm

Todo

目前仅考虑自变量连续实数情况，以后可增加自变量为离散的情况

Parameters:

objf (function) – 目标函数。注：须事先转化为求极小值问题
func_opter_parms (FuncOpterInfo) –
dramkit.optimizer.utils_heuristic.FuncOpterInfo 类，须设置parms_func、parms_opter、parms_log

parms_func为目标函数参数信息dict，key须包含:

x_lb: 自变量每个维度取值下界，list或数值，为list时长度应等于dim

x_ub: 自变量每个维度取值上界，list或数值，为list时长度应等于dim

dim: 自变量维度数

kwargs: 目标函数接收的其它参数

parms_opter: 优化函数参数信息dict，key须包含:

popsize: 群体数量（每轮迭代的样本数量）

max_iter: 最大迭代寻优次数

alpha, beta: Levy飞行参数

parms_log: 日志参数信息dict，key须包含:

logger: 日志记录器

nshow: 若为整数，则每隔nshow轮日志输出当前最优目标函数值

Returns:

func_opter_parms – 更新优化过程之后的func_opter_parms

Return type:

FuncOpterInfo

References

HHO哈里斯鹰优化.pdf
https://github.com/7ossam81/EvoloPy

hpsoboa

dramkit.optimizer.hpsoboa.hpsoboa(objf, func_opter_parms)

粒子群蝴蝶混合优化算法(HPSOBOA粒子群蝴蝶混合优化算法.pdf)

Todo

添加文中的cubic map随机初始化方法
目前仅考虑自变量连续实数情况，以后可增加自变量为离散的情况

Parameters:

objf (function) – 目标函数。注：须事先转化为求极小值问题
func_opter_parms (FuncOpterInfo) –
dramkit.optimizer.utils_heuristic.FuncOpterInfo 类，须设置parms_func、parms_opter、parms_log

parms_func为目标函数参数信息dict，key须包含:

x_lb: 自变量每个维度取值下界，list或数值，为list时长度应等于dim

x_ub: 自变量每个维度取值上界，list或数值，为list时长度应等于dim

dim: 自变量维度数

kwargs: 目标函数接收的其它参数

parms_opter: 优化函数参数信息dict，key须包含:

popsize: 群体数量（每轮迭代的样本数量）

max_iter: 最大迭代寻优次数

p: 全局/局部搜索转化概率

power_exponent: a in HPSOBOA粒子群蝴蝶混合优化算法.pdf-Eq.(1)

sensory_modality: c in HPSOBOA粒子群蝴蝶混合优化算法.pdf-Eq.(1)

parms_log: 日志参数信息dict，key须包含:

logger: 日志记录器

nshow: 若为整数，则每隔nshow轮日志输出当前最优目标函数值

Returns:

func_opter_parms – 更新优化过程之后的func_opter_parms

Return type:

FuncOpterInfo

References

HPSOBOA粒子群蝴蝶混合优化算法.pdf

pso

dramkit.optimizer.pso.pso(objf, func_opter_parms)

粒子群优化算法(Particle Swarm Optimization) PSO algorithm

Todo

目前仅考虑自变量连续实数情况，以后可增加自变量为离散的情况

Parameters:

objf (function) – 目标函数。注：须事先转化为求极小值问题
func_opter_parms (FuncOpterInfo) –
dramkit.optimizer.utils_heuristic.FuncOpterInfo 类，须设置parms_func、parms_opter、parms_log

parms_func为目标函数参数信息dict，key须包含:

x_lb: 自变量每个维度取值下界，list或数值，为list时长度应等于dim

x_ub: 自变量每个维度取值上界，list或数值，为list时长度应等于dim

dim: 自变量维度数

kwargs: 目标函数接收的其它参数

parms_opter: 优化函数参数信息dict，key须包含:

popsize: 群体数量（每轮迭代的样本数量）

max_iter: 最大迭代寻优次数

v_maxs: 自变量每个维度单次绝对变化量上界，list或数值，为list时长度应等于dim

w_max: 惯性因子w最大值，w用于平衡全局搜索和局部搜索，w值越大全局寻优能力更强

w_min: 惯性因子最小值

w_fix: 若w_fix设置为(0, 1)之间的值，则惯性因子w固定为w_fix，不进行动态更新

默认动态更新w时采用线性递减方法

c1, c2: 学习因子

parms_log: 日志参数信息dict，key须包含:

logger: 日志记录器

nshow: 若为整数，则每隔nshow轮日志输出当前最优目标函数值

Returns:

func_opter_parms – 更新优化过程之后的func_opter_parms

Return type:

FuncOpterInfo

References

utils_heuristic

FuncOpterInfo

class dramkit.optimizer.utils_heuristic.FuncOpterInfo(parms_func={}, parms_opter={}, parms_log={})

Bases: object

保存函数参数及优化过程信息

__init__(parms_func={}, parms_opter={}, parms_log={})

初始化目标函数和优化器信息

Parameters:

parms_func (dict) – 目标函数信息，默认应包含’func_name’, ‘x_lb’, ‘x_ub’, ‘dim’
parms_opter (dcit) – 优化函数需要用到的参数信息，默认应包含’opter_name’, ‘popsize’, ‘max_iter’
parms_log – 寻优过程中控制打印或日志记录的参数，默认应包含’logger’, ‘nshow’

property best_val: 全局最目标优值

property best_x: 全局最优解

property convergence_curve: 收敛曲线（每轮最优）

property convergence_curve_mean: 收敛曲线（每轮平均）

property end_time: 结束时间

property exe_time: 优化用时（单位秒）

set_best_val(val): 全局最目标优值设置

set_best_x(x): 全局最优解设置

set_convergence_curve(curve): 收敛曲线（每轮最优）设置

set_convergence_curve_mean(curve): 收敛曲线（每轮平均）设置

set_end_time(t): 结束时间设置

set_exe_time(t): 优化用时（单位秒）设置

set_start_time(t): 开始时间设置

property start_time: 开始时间

rand_init

dramkit.optimizer.utils_heuristic.rand_init(popsize, dim, lb, ub)

自变量随机初始化

Parameters:

popsize (int) – 需要初始化的种群数（样本数）
dim (int) – 自变量维度数，dim的值应与lb和ub的长度相等
lb (list) – 自变量每个维度取值下界
ub (list) – 自变量每个维度取值上界

Returns:

pos – 随机初始化结果，形状为popsize * dim

Return type:

np.ndarray

sort_population

dramkit.optimizer.utils_heuristic.sort_population(population, fvals)

个体排序：按fvals值从小到大对population进行排序

Parameters:

population (np.ndarray) – 所有个体位置（所有解）
fvals (np.array) – 所有个体值列表

Returns:

population (np.ndarray) – 排序后的种群
fvals (np.array) – 排序后的个体值列表

woa

dramkit.optimizer.woa.woa(objf, func_opter_parms)

鲸鱼优化算法(Whale Optimization Algorithm) WOA

Todo

目前仅考虑自变量连续实数情况，以后可增加自变量为离散的情况

Parameters:

objf (function) – 目标函数。注：须事先转化为求极小值问题
func_opter_parms (FuncOpterInfo) –
dramkit.optimizer.utils_heuristic.FuncOpterInfo 类，须设置parms_func、parms_opter、parms_log

parms_func为目标函数参数信息dict，key须包含:

x_lb: 自变量每个维度取值下界，list或数值，为list时长度应等于dim

x_ub: 自变量每个维度取值上界，list或数值，为list时长度应等于dim

dim: 自变量维度数

kwargs: 目标函数接收的其它参数

parms_opter: 优化函数参数信息dict，key须包含:

popsize: 群体数量（每轮迭代的样本数量）

max_iter: 最大迭代寻优次数

parms_log: 日志参数信息dict，key须包含:

logger: 日志记录器

nshow: 若为整数，则每隔nshow轮日志输出当前最优目标函数值

Returns:

func_opter_parms – 更新优化过程之后的func_opter_parms

Return type:

FuncOpterInfo

References

WOA鲸鱼优化算法.pdf
https://github.com/7ossam81/EvoloPy