opytimizer
v.3.1.4
هل سبق لك أن وصلت إلى عنق الزجاجة في تجاربك الحسابية؟ هل سئمت من اختيار المعلمات المناسبة للتقنية المختارة؟ إذا كانت الإجابة بنعم، فإن Opytimizer هو الصفقة الحقيقية! توفر هذه الحزمة تنفيذًا سهلاً للتحسينات الإرشادية الفوقية. بدءًا من الوكلاء وحتى مساحة البحث، ومن الوظائف الداخلية إلى الاتصالات الخارجية، سنقوم بتعزيز جميع الأبحاث المتعلقة بتحسين الأشياء.
استخدم Opytimizer إذا كنت بحاجة إلى مكتبة أو ترغب في:
اقرأ المستندات على opytimizer.readthedocs.io.
Opytimizer متوافق مع: Python 3.6+ .
إذا كنت تستخدم Opytimizer لتلبية أي من احتياجاتك، فيرجى الإشارة إلينا:
@misc { rosa2019opytimizer ,
title = { Opytimizer: A Nature-Inspired Python Optimizer } ,
author = { Gustavo H. de Rosa, Douglas Rodrigues and João P. Papa } ,
year = { 2019 } ,
eprint = { 1912.13002 } ,
archivePrefix = { arXiv } ,
primaryClass = { cs.NE }
} أولاً. لدينا أمثلة. نعم، تم التعليق عليهم. ما عليك سوى تصفح examples/ واختيار الحزمة الفرعية الخاصة بك واتباع المثال. لدينا أمثلة عالية المستوى لمعظم المهام التي يمكن أن نفكر فيها وعمليات تكامل مذهلة (Learnergy، NALP، OPFython، PyTorch، Scikit-Learn، Tensorflow).
وبدلاً من ذلك، إذا كنت ترغب في معرفة المزيد، يرجى تخصيص دقيقة:
يعتمد Opytimizer على البنية التالية، ويجب الانتباه إلى شجرته:
- opytimizer
- core
- agent
- block
- cell
- function
- node
- optimizer
- space
- functions
- constrained
- multi_objective
- math
- distribution
- general
- hyper
- random
- optimizers
- boolean
- evolutionary
- misc
- population
- science
- social
- swarm
- spaces
- boolean
- graph
- grid
- hyper_complex
- pareto
- search
- tree
- utils
- callback
- constant
- exception
- history
- logging
- visualization
- convergence
- surfaceجوهر هو جوهر. في الأساس، هو والد كل شيء. يجب أن تجد فئات الوالدين التي تحدد أساس هيكلنا. يجب عليهم توفير المتغيرات والأساليب التي ستساعد في بناء وحدات أخرى.
بدلاً من استخدام وظائف أولية ومباشرة، لماذا لا تجرب هذه الوحدة؟ قم بتأليف وظائف مجردة عالية المستوى أو حتى أفكار جديدة تعتمد على الوظائف من أجل حل مشاكلك. لاحظ أنه في الوقت الحالي، سندعم فقط استراتيجيات الوظائف متعددة الأهداف.
فقط لأننا نقوم بالحوسبة لا يعني أننا لا نحتاج إلى الرياضيات. الرياضيات هي الحزمة الرياضية التي تحتوي على تطبيقات رياضية منخفضة المستوى. من الأرقام العشوائية إلى إنشاء التوزيع، يمكنك العثور على احتياجاتك في هذه الوحدة.
ولهذا السبب يطلق علينا اسم Opytimizer. هذا هو قلب الاستدلال، حيث يمكنك العثور على عدد كبير من الاستدلالات الفوقية، وتقنيات التحسين، وأي شيء يمكن أن يسمى مُحسِّنًا. يرجى إلقاء نظرة على أدوات تحسين الأداء المتاحة.
يمكن للمرء أن يرى المساحة باعتبارها المكان الذي سيقوم فيه الوكلاء بتحديث مواقعهم وتقييم وظيفة اللياقة البدنية. ومع ذلك، فإن أحدث الأساليب قد تأخذ في الاعتبار نوعًا مختلفًا من المساحة. وبالتفكير في ذلك، يسعدنا دعم التطبيقات الفضائية المتنوعة.
هذه هي حزمة المرافق. يجب هنا تنفيذ الأشياء المشتركة عبر التطبيق. من الأفضل التنفيذ مرة واحدة واستخدامه كما يحلو لك بدلاً من إعادة تنفيذ نفس الشيء مرارًا وتكرارًا.
يحتاج الجميع إلى صور ومؤامرات للمساعدة في تصور ما يحدث، أليس كذلك؟ ستوفر لك هذه الحزمة كل الطرق المتعلقة بالبصريات. تحقق من تقارب متغير محدد، وتقارب وظيفة اللياقة البدنية، وأسطح وظيفة قياس الأداء، وغير ذلك الكثير!
ونحن نعتقد أن كل شيء يجب أن يكون سهلا. ليس أمرًا صعبًا أو شاقًا، سيكون Opytimizer هو الحزمة الوحيدة التي ستحتاج إليها، بدءًا من التثبيت الأول وحتى تنفيذ المهام اليومية التي تحتاجها. إذا كان بإمكانك فقط تشغيل ما يلي ضمن بيئة Python المفضلة لديك (raw، conda، virtualenv، أيًا كان):
pip install opytimizerوبدلاً من ذلك، إذا كنت تفضل تثبيت الإصدار المتطور، فيرجى استنساخ هذا المستودع واستخدام:
pip install -e . لاحظ أنه في بعض الأحيان، هناك حاجة إلى تنفيذ إضافي. وإذا لزم الأمر، من هنا ستكون أنت من يعرف كافة تفاصيله.
ليست هناك حاجة لأوامر إضافية محددة.
ليست هناك حاجة لأوامر إضافية محددة.
ليست هناك حاجة لأوامر إضافية محددة.
ألق نظرة على مثال عمل سريع لـ Opytimizer. لاحظ أننا لا نمرر العديد من الوسائط الإضافية ولا معلومات إضافية إلى الإجراء. للحصول على أمثلة أكثر تعقيدًا، يرجى مراجعة المجلد examples/ لدينا.
import numpy as np
from opytimizer import Opytimizer
from opytimizer . core import Function
from opytimizer . optimizers . swarm import PSO
from opytimizer . spaces import SearchSpace
def sphere ( x ):
return np . sum ( x ** 2 )
n_agents = 20
n_variables = 2
lower_bound = [ - 10 , - 10 ]
upper_bound = [ 10 , 10 ]
space = SearchSpace ( n_agents , n_variables , lower_bound , upper_bound )
optimizer = PSO ()
function = Function ( sphere )
opt = Opytimizer ( space , optimizer , function )
opt . start ( n_iterations = 1000 )نحن نعلم أننا نبذل قصارى جهدنا، ولكن لا مفر من الاعتراف بأننا نرتكب الأخطاء. إذا كنت بحاجة إلى الإبلاغ عن خطأ ما، أو الإبلاغ عن مشكلة، أو التحدث إلينا، فيرجى القيام بذلك! سنكون متاحين بأفضل ما لدينا في هذا المستودع.
