Optimisation Algorithms

优化算法

数据科学与机器学习最常用的优化算法的集合

---

该存储库由以下内容创建并属于：https：//github.com/muradmustafayev-03

贡献指南：https：//github.com/muradmustafayev-03/optimisation-algorithms/blob/main/main/contributing.md

要报告任何问题：https：//github.com/muradmustafayev-03/optimisation-algorithms/issues

在库中安装软件包：

PIP安装优化算法

然后导入：

导入Optimisation_Algorithm

---

在这个项目中，我尝试收集尽可能多的有用的优化算法，并以简单且可重复使用的方式编写它们。这个想法是在Python中以基本但易于使用的方式编写所有这些算法，而Numpy是唯一使用的外部库。该项目目前处于开发的早期阶段，但是人们已经可以尝试在自己的项目中实施它。可以肯定的是，您总是欢迎您贡献或提出任何建议。任何反馈都将不胜感激。

什么是优化算法？

有关更多信息：https：//en.wikipedia.org/wiki/mathematical_optimization

优化算法是一种算法，用于查找函数全局最大值的全局最小值的输入值。

在这个项目中，所有算法都查找给定函数的全局最小值。但是，如果您想找到一个函数的全局最大值，则可以通过函数的否定： -f（x） ，而不是f（x） ，使其Mimima将是您函数的最大值。

优化算法广泛用于机器学习，数学和一系列其他应用科学。

有多种优化算法，因此这里是对项目中使用的优化算法的简短描述：

迭代算法

TESE算法从一个随机或指定点开始，然后逐步移动最接近的最小值。他们通常需要部分导数或函数的梯度，这需要函数是可区分的。这些算法很简单，适合碗式功能，如果功能最小的功能，则可以在当地的最小值中库存，该最小值可以找到全球。

该项目中使用的迭代算法的示例是：

• 梯度下降
  • 批处理梯度下降
  • 近似批处理梯度下降

元神经算法

这些算法从一组随机解决方案开始，然后竞争性地从集合中选择最佳解决方案，并基于它们，生成一组新的更好的解决方案，从而演变出每次迭代。这些算法不会在局部最低限度上存储，而是直接找到全局的算法，因此可以用于多个本地最低限度的功能。

该项目中使用的元启发式算法的示例是：

• 和谐搜索算法
• 遗传算法

基准功能

基准功能用于测试优化算法，但是它们可以由其自身使用。该项目中使用了多个基准功能，根据其形状，它们分为几种类型。

有关函数的更多信息和数学定义