一种基于树的含噪代价函数并行代理优化算法
prosrs的Python项目详细描述
prosrs算法
渐进随机响应面(prosrs)是一种并行的基于代理项的优化算法。该算法以径向基函数(rbf)为代理函数,采用随机响应面(srs)框架来平衡勘探开发。与original parallel SRS work相比,该算法的新颖之处包括
- 引入一种新的基于树的技术,称为“缩放策略”,以提高效率。
- 通过发展径向基回归程序,将原始工作扩展到噪声环境(即被随机噪声污染的目标函数)。
- 在回归中引入权重以提高开发效率。
- 实现一个新的srs,它结合了srs工作中最初提出的两种候选点。
prosrs算法配置在主从结构中,在每次优化迭代中,算法(master)使用可用的评价值构造rbf代理,然后基于所构造的rbf提出新的点,最后将评价这些点的任务分配给并行进程(workers)。
与目前流行的贝叶斯优化算法相比,prosrs能够在一些比较困难的基准问题上获得更快的收敛速度,并且运行成本低几个数量级。此外,prosrs具有渐近收敛性。该算法的一般应用包括机器学习模型的高效超参数整定和昂贵仿真模型的刻画。
安装
python依赖项:
numpy
:http://www.numpy.orgscipy
:https://www.scipy.orgmatplotlib
:https://matplotlib.orgscikit-learn
:https://scikit-learn.org/stable/pyDOE
:https://pythonhosted.org/pyDOE/pathos
:https://pypi.org/project/pathos/
要安装prosrs
包,请键入并运行以下命令:
pip install prosrs
注意:上面的pip
方法应该适用于大多数用户。如果用户遇到任何安装问题,包括导入错误或警告,请参阅Wiki page以获取可能的解决方案。
入门
在成功安装prosrs
包之后,用户可以使用prosrs算法来解决优化问题。最简单的入门方法是阅读^{