Возобновление байесовской оптимизации
newresults = resume(results,Name,Value)results с дополнительными опциями, указанными одним или несколькими Name,Value аргументы пары.
В этом примере показано, как возобновить байесовскую оптимизацию. Оптимизация предназначена для детерминированной функции, известной как функция Розенброка, которая является известным тестовым случаем нелинейной оптимизации. Функция имеет глобальное минимальное значение 0 в точке [1,1].
Создание двух вещественных переменных, ограниченных -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 задайте случайное начальное число и задайте для функции обнаружения значение 'expected-improvement-plus' в оптимизации.
rng default results = bayesopt(fun,vars,'Verbose',0,... 'AcquisitionFunctionName','expected-improvement-plus');
Просмотрите наилучшую найденную точку и наилучшую смоделированную цель.
results.XAtMinObjective results.MinEstimatedObjective
ans =
1x2 table
x1 x2
______ ______
1.2421 1.5299
ans =
-9.5402
Наилучшая точка несколько близка к оптимальной, но функциональная модель неточна. Возобновите оптимизацию еще для 30 точек (всего 60 точек), на этот раз сообщив оптимизатору, что целевая функция детерминирована.
newresults = resume(results,'IsObjectiveDeterministic',true,'MaxObjectiveEvaluations',30); newresults.XAtMinObjective newresults.MinEstimatedObjective
ans =
1x2 table
x1 x2
______ ______
1.0473 1.1002
ans =
-0.0066
Модель целевой функции на этот раз намного ближе к истинной функции. Лучший момент ближе к истинному оптимуму.