python中的进化策略求解器
evostra的Python项目详细描述
evostra:evolution strategy for python是一种基于适应和进化思想的优化技术。
来源：
…代码块：：bash
$python setup.py install
代码块：：bash
$pip安装git+https://github.com/alirezamika/evostra.git
代码块：：bash
$pip install evostra
（可能需要使用python3或pip3来使用python3或pip3来使用python3）
>
>
>示例用法
>
>
>
>
因此，我们可以使用任何框架来构建模型，只需将权重传递给ES。
例如，我们可以使用Keras来构建模型，并将其权重传递给ES，但在这里，我们使用Evostra的内置模型FeedForwardNetwork，这对于我们的用例来说要快得多：
。代码：：python
import numpy as np
from evostra import evolutionstrategy
from evostra.models import feed forward network
3]）
现在我们定义我们的get_奖励函数：
…代码：：python
solution=np.array（[0.1，-0.4，0.5]）
inp=np.asarray（[1，2，3，4，5]）
def get_reward（权重）：
global solution，model，inp
model.set_weights（weights）
prediction=model.predict（inp）
这里我们的最佳奖励是零
奖励=-np.sum（np.square（solution-prediction））
返回奖励
现在我们可以构建evolutionstrategy对象并运行它进行一些迭代：
代码：：python
在这里，我们使用1个进程作为
任务不需要计算开销，使用更多进程会由于IPC开销而降低性能。
es=evolutionstrategy（model.get_weights（），get_reward，population_size=20，sigma=0.1，learning_rate=0.03，decay=0.995，num_threads=1）
es.run（1000，打印步骤=100）
代码：
iter 100。奖励：-68.819312
iter 200。奖励：-0.218466
iter 300。奖励：-0.110204
iter 400。奖励：-0.001901
iter 500。奖励：-0.000459
iter 600。奖励：-0.000287
ITER 700。奖励：-0.000939
ITER 800。奖励：-0.000504
ITER 900。奖励：-0.000522
iter 1000。奖励：-0.000178
现在我们有了优化的权重，我们可以更新我们的模型：
…代码：：python
optimized_weights=es.get_weights（）
model.set_weights（optimized_weights）
todo
--
-通过网络添加分发支持
来源：
…代码块：：bash
$python setup.py install
代码块：：bash
$pip安装git+https://github.com/alirezamika/evostra.git
代码块：：bash
$pip install evostra
（可能需要使用python3或pip3来使用python3或pip3来使用python3）
>
>
>示例用法
>
>
>
>
因此，我们可以使用任何框架来构建模型，只需将权重传递给ES。
例如，我们可以使用Keras来构建模型，并将其权重传递给ES，但在这里，我们使用Evostra的内置模型FeedForwardNetwork，这对于我们的用例来说要快得多：
。代码：：python
import numpy as np
from evostra import evolutionstrategy
from evostra.models import feed forward network
3]）
现在我们定义我们的get_奖励函数：
…代码：：python
solution=np.array（[0.1，-0.4，0.5]）
inp=np.asarray（[1，2，3，4，5]）
def get_reward（权重）：
global solution，model，inp
model.set_weights（weights）
prediction=model.predict（inp）
这里我们的最佳奖励是零
奖励=-np.sum（np.square（solution-prediction））
返回奖励
现在我们可以构建evolutionstrategy对象并运行它进行一些迭代：
代码：：python
在这里，我们使用1个进程作为
任务不需要计算开销，使用更多进程会由于IPC开销而降低性能。
es=evolutionstrategy（model.get_weights（），get_reward，population_size=20，sigma=0.1，learning_rate=0.03，decay=0.995，num_threads=1）
es.run（1000，打印步骤=100）
代码：
iter 100。奖励：-68.819312
iter 200。奖励：-0.218466
iter 300。奖励：-0.110204
iter 400。奖励：-0.001901
iter 500。奖励：-0.000459
iter 600。奖励：-0.000287
ITER 700。奖励：-0.000939
ITER 800。奖励：-0.000504
ITER 900。奖励：-0.000522
iter 1000。奖励：-0.000178
现在我们有了优化的权重，我们可以更新我们的模型：
…代码：：python
optimized_weights=es.get_weights（）
model.set_weights（optimized_weights）
todo
--
-通过网络添加分发支持
欢迎加入QQ群-->： 979659372
