Возобновите Байесовую оптимизацию
newresults = resume(results,Name,Value)results с дополнительными опциями, заданными одним или несколькими Name,Value парные аргументы.
В этом примере показано, как возобновить Байесовую оптимизацию. Оптимизация для детерминированной функции, известной как функцию Розенброка, которая является известным тестом для нелинейной оптимизации. Функция имеет глобальное минимальное значение 0 в точке [1,1].
Создайте две действительных переменные, ограниченные -5 и 5.
x1 = optimizableVariable('x1',[-5,5]); x2 = optimizableVariable('x2',[-5,5]); vars = [x1,x2];
Создайте целевую функцию.
function f = rosenbrocks(x)
f = 100*(x.x2 - x.x1^2)^2 + (1 - x.x1)^2;
fun = @rosenbrocks;
Для воспроизводимости, набор случайный seed и набор приобретение функционируют к 'expected-improvement-plus' в оптимизации.
rng default results = bayesopt(fun,vars,'Verbose',0,... 'AcquisitionFunctionName','expected-improvement-plus');
Просмотрите лучшую найденную точку и лучшую смоделированную цель.
results.XAtMinObjective results.MinEstimatedObjective
ans =
1x2 table
x1 x2
______ ______
1.2421 1.5299
ans =
-9.5402
Лучшая точка несколько близко к оптимуму, но модель функции неточна. Возобновите оптимизацию для еще 30 точек (в общей сложности 60 точек), на этот раз говоря оптимизатору, что целевая функция детерминирована.
newresults = resume(results,'IsObjectiveDeterministic',true,'MaxObjectiveEvaluations',30); newresults.XAtMinObjective newresults.MinEstimatedObjective
ans =
1x2 table
x1 x2
______ ______
1.0441 1.0885
ans =
-0.0061
Модель целевой функции намного ближе к истинной функции на этот раз. Лучшая точка ближе к истинному оптимуму.