Возобновите байесовскую оптимизацию
newresults = resume(results,Name,Value)results с дополнительными опциями, заданными одним или несколькими Name,Value аргументы в виде пар.
Этот пример показывает, как возобновить байесовскую оптимизацию. Оптимизация предназначена для детерминированной функции, известной как функция Розенбрка, которая является известным тестом для нелинейной оптимизации. Функция имеет глобальное минимальное значение 0 в точке [1,1].
Создайте две действительные 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 установите случайный seed и установите функцию сбора на '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 близка к оптимуму, но модель функции неточна. Возобновите оптимизацию для 30 дополнительных точек (в общей сложности 60 точек), на этот раз сообщив оптимизатору, что целевая функция является детерминированной.
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 намного ближе к истинной функции на этот раз. Лучшая точка ближе к истинному оптимуму.