Question

我是Python新手，我想将CMA-ES功能应用于参数优化。我在R中使用了CMA_ES包，这个例子的实现简单明了。现在Python中的实现对我来说并不是那么清楚。

import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl

itr=np.array([ 803.3333,788.3333,779.5000,765.8333,753.3333,735.8333, 
717.6666,704.6666,691.6666])
Tcell=np.array([39.5333,38.5499, 37.7999,37.5999, 
38.3333,37.4166,37.4166,37.3833,36.5666])

 #### THE MODEL######
 def pvwatts2(Pdc0,gammapdc,Tref):
 return itr/1000*Pdc0*(1+gammapdc*(Tcell-Tref))

 r=(pvwatts2(75,-0.005,25))

 ####THE ORIGINAL DATA########
 P=np.array([55.7666,54.6817,54.2812,
53.6679,52.6567,51.4856,50.4057,49.3098,48.8929])

 #####RMSE#########
  def RMSE(gammapdc):
      return np.sqrt(((pvwatts2(75,gammapdc,25)-P)**2).mean())

  print(RMSE(-0.005))# This is the value of RMSE 0.253590052077

现在我想借助Python中的CMAES来最小化RMSE。我知道gammapdc的理想值应该在-0.005左右，其中RMSE的值最小。

  ########################### MINIMIZING THE RMSE WITH CMA_ES########
   import cma
   help(cma.fmin)

对我而言，目前尚不清楚如何使用该函数获取gamapdc的值以最小化RMSE。任何建议将不胜感激。我可以使用任何可重复的示例吗？

Answer 1

如果要优化一维函数，则不需要协方差矩阵自适应，因此CMA-ES可能不是您想要的。 CMA-ES仍然提供“步长调整”，即使对于一维来说也可能很有趣，而且这非常简单，因此您可以自己实施，检查有关第五成功规则的文献。

我建议您从scipy.optimize API：https://docs.scipy.org/doc/scipy/reference/optimize.html开始，然后看第一部分标量函数优化。有很多方法更适合您的问题。

Answer 2

Python中的CMA_ES优化并不支持一维优化。所以解决方案是添加一个额外的参数

CMA-ES参数优化Python

2 个答案: