opytimizer
v.3.1.4
คุณเคยประสบปัญหาคอขวดในการทดลองทางคอมพิวเตอร์หรือไม่? คุณเบื่อกับการเลือกพารามิเตอร์ที่เหมาะสมสำหรับเทคนิคที่เลือกหรือไม่? ถ้าใช่ Opytimizer คือเรื่องจริง! แพ็คเกจนี้ให้การใช้งานการเพิ่มประสิทธิภาพเมตาฮิวริสติกที่ง่ายต่อการใช้งาน จากตัวแทนไปจนถึงการค้นหาพื้นที่ จากฟังก์ชันภายในไปจนถึงการสื่อสารภายนอก เราจะส่งเสริมการวิจัยทั้งหมดที่เกี่ยวข้องกับการเพิ่มประสิทธิภาพสิ่งต่างๆ
ใช้ Opytimizer หากคุณต้องการห้องสมุดหรือต้องการ:
อ่านเอกสารได้ที่ opytimizer.readthedocs.io
Opytimizer เข้ากันได้กับ: Python 3.6+
หากคุณใช้ Opytimizer เพื่อตอบสนองความต้องการของคุณ โปรดระบุเรา:
@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 }
} ก่อนอื่นเลย. เรามีตัวอย่าง ใช่ พวกเขาแสดงความคิดเห็น เพียงเรียกดู examples/ เลือกแพ็คเกจย่อยของคุณ และทำตามตัวอย่าง เรามีตัวอย่างระดับสูงสำหรับงานส่วนใหญ่ที่เราคิดได้และการบูรณาการที่น่าทึ่ง (Learnergy, NALP, OPFython, PyTorch, Scikit-Learn, Tensorflow)
หรือหากคุณต้องการเรียนรู้เพิ่มเติม โปรดสละเวลาสักครู่:
Opytimizer ขึ้นอยู่กับโครงสร้างต่อไปนี้ และคุณควรใส่ใจกับแผนผังของมัน:
- 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
- surfaceแกนหลักคือแกนกลาง โดยพื้นฐานแล้วมันเป็นผู้ปกครองของทุกสิ่ง คุณควรค้นหาคลาสพาเรนต์ที่กำหนดพื้นฐานของโครงสร้างของเรา พวกเขาควรจัดเตรียมตัวแปรและวิธีการที่จะช่วยในการสร้างโมดูลอื่นๆ
แทนที่จะใช้ฟังก์ชันดิบและตรงไปตรงมา ทำไมไม่ลองใช้โมดูลนี้ดูล่ะ เขียนฟังก์ชันนามธรรมระดับสูง หรือแม้แต่แนวคิดเกี่ยวกับฟังก์ชันใหม่ๆ เพื่อแก้ไขปัญหาของคุณ โปรดทราบว่าในตอนนี้ เราจะสนับสนุนเฉพาะกลยุทธ์ฟังก์ชันหลายวัตถุประสงค์เท่านั้น
เพียงเพราะเรากำลังใช้คอมพิวเตอร์ไม่ได้หมายความว่าเราไม่ต้องการคณิตศาสตร์ คณิตศาสตร์เป็นแพ็คเกจทางคณิตศาสตร์ที่มีการนำคณิตศาสตร์ไปใช้ในระดับต่ำ ตั้งแต่ตัวเลขสุ่มไปจนถึงการสร้างการกระจาย คุณสามารถค้นหาความต้องการของคุณได้ในโมดูลนี้
ด้วยเหตุนี้เราจึงถูกเรียกว่า Opytimizer นี่คือหัวใจสำคัญของการวิเคราะห์พฤติกรรม ซึ่งคุณจะพบเมตาฮิวริสติก เทคนิคการปรับให้เหมาะสม และสิ่งอื่นๆ ที่สามารถเรียกได้ว่าเป็นเครื่องมือเพิ่มประสิทธิภาพได้จำนวนมาก โปรดดูเครื่องมือเพิ่มประสิทธิภาพที่มีอยู่
เราเห็นพื้นที่เป็นสถานที่ที่เจ้าหน้าที่จะอัพเดทตำแหน่งและประเมินฟังก์ชันฟิตเนส อย่างไรก็ตามแนวทางใหม่ล่าสุดอาจพิจารณาพื้นที่ประเภทอื่น เมื่อคำนึงถึงเรื่องนี้แล้ว เรายินดีที่จะสนับสนุนการใช้งานด้านอวกาศที่หลากหลาย
นี่คือแพ็คเกจยูทิลิตี้ สิ่งทั่วไปที่แชร์กันทั่วทั้งแอปพลิเคชันควรถูกนำมาใช้ที่นี่ ควรใช้ครั้งเดียวแล้วใช้ตามใจชอบ ดีกว่าใช้สิ่งเดิมซ้ำๆ
ทุกคนต้องการรูปภาพและโครงเรื่องเพื่อช่วยให้เห็นภาพสิ่งที่เกิดขึ้นใช่ไหม? แพ็คเกจนี้จะมอบวิธีการที่เกี่ยวข้องกับการมองเห็นทุกรูปแบบให้กับคุณ ตรวจสอบการลู่เข้าของตัวแปรเฉพาะ การลู่เข้าของฟังก์ชันฟิตเนสของคุณ พล็อตพื้นผิวฟังก์ชันเกณฑ์มาตรฐาน และอื่นๆ อีกมากมาย!
เราเชื่อว่าทุกอย่างจะต้องง่าย ไม่ยุ่งยากหรือยุ่งยาก Opytimizer จะเป็นแพ็คเกจแบบใช้ครั้งเดียวที่คุณต้องการ ตั้งแต่การติดตั้งครั้งแรกไปจนถึงงานประจำวันที่ต้องการ หากคุณอาจเรียกใช้สิ่งต่อไปนี้ภายใต้สภาพแวดล้อม Python ที่คุณต้องการมากที่สุด (raw, conda, virtualenv อะไรก็ได้):
pip install opytimizerหรือหากคุณต้องการติดตั้งเวอร์ชัน Bleeding-Edge โปรดโคลนพื้นที่เก็บข้อมูลนี้และใช้:
pip install -e . โปรดทราบว่าบางครั้งอาจมีความจำเป็นในการดำเนินการเพิ่มเติม หากจำเป็น จากที่นี่ คุณจะเป็นผู้เดียวที่ทราบรายละเอียดทั้งหมด
ไม่จำเป็นต้องมีคำสั่งเพิ่มเติมเฉพาะเจาะจง
ไม่จำเป็นต้องมีคำสั่งเพิ่มเติมเฉพาะเจาะจง
ไม่จำเป็นต้องมีคำสั่งเพิ่มเติมเฉพาะเจาะจง
ดูตัวอย่างการทำงานสั้นๆ ของ Opytimizer โปรดทราบว่าเราไม่ได้ส่งข้อโต้แย้งเพิ่มเติมหรือข้อมูลเพิ่มเติมไปยังขั้นตอนนี้มากนัก หากต้องการตัวอย่างที่ซับซ้อนมากขึ้น โปรดตรวจสอบ examples/ โฟลเดอร์ของเรา
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 )เรารู้ว่าเราทำดีที่สุดแล้ว แต่ก็หลีกเลี่ยงไม่ได้ที่จะยอมรับว่าเราทำผิดพลาด หากคุณต้องการรายงานข้อผิดพลาด รายงานปัญหา พูดคุยกับเรา โปรดทำเช่นนั้น! เราจะพร้อมให้บริการอย่างเต็มที่ในพื้นที่เก็บข้อมูลนี้
