Сравните несколько глобальных решателей, основанных на проблеме

В этом примере показано, как минимизировать функцию Рэстриджина с несколькими решателями. Каждый решатель имеет свои собственные характеристики. Характеристики приводят к различным решениям и время выполнения. Результаты, полученные в итоге в, Сравнивают Решатели и Решения, может помочь вам выбрать соответствующий решатель для своих собственных проблем.

Функция Рэстриджина имеет много локальных минимумов с глобальным минимумом в (0,0):

ras = @(x, y) 20 + x.^2 + y.^2 - 10*(cos(2*pi*x) + cos(2*pi*y));

Постройте функцию, масштабируемую по 10 в каждом направлении.

rf3 = @(x, y) ras(x/10, y/10);
fsurf(rf3,[-30 30],"ShowContours","on")
title("rastriginsfcn([x/10,y/10])")
xlabel("x")
ylabel("y")

Figure contains an axes object. The axes object with title rastriginsfcn([x/10,y/10]) contains an object of type functionsurface.

Обычно вы не знаете местоположение глобального минимума вашей целевой функции. Чтобы показать, как решатели ищут глобальное решение, этот пример запускает все решатели вокруг точки [20,30], которая далека от глобального минимума.

fminunc Решатель

Решить задачу оптимизации с помощью fminunc по умолчанию Решатель Optimization Toolbox™, введите:

x = optimvar("x");
y = optimvar("y");
prob = optimproblem("Objective",rf3(x,y));
x0.x = 20;
x0.y = 30;
[solf,fvalf,eflagf,outputf] = solve(prob,x0)
Solving problem using fminunc.

Local minimum found.

Optimization completed because the size of the gradient is less than
the value of the optimality tolerance.
solf = struct with fields:
    x: 19.8991
    y: 29.8486

fvalf = 12.9344
eflagf = 
    OptimalSolution

outputf = struct with fields:
             iterations: 3
              funcCount: 5
               stepsize: 1.7773e-06
           lssteplength: 1
          firstorderopt: 2.0461e-09
              algorithm: 'quasi-newton'
                message: '...'
    objectivederivative: "reverse-AD"
                 solver: 'fminunc'

fminunc решает задачу в очень немногих вычислениях функции (только пять, как показано в outputf структура), и достигает локального минимума около стартовой точки. Выходной флаг указывает, что решение является локальным минимумом.

patternsearch Решатель

Решить задачу оптимизации с помощью patternsearch Решатель Global Optimization Toolbox, введите:

x0.x = 20;
x0.y = 30;
[solp,fvalp,eflagp,outputp] = solve(prob,x0,"Solver","patternsearch")
Solving problem using patternsearch.
Optimization terminated: mesh size less than options.MeshTolerance.
solp = struct with fields:
    x: 19.8991
    y: -9.9496

fvalp = 4.9748
eflagp = 
    SolverConvergedSuccessfully

outputp = struct with fields:
         function: @(x)fun(x,extraParams)
      problemtype: 'unconstrained'
       pollmethod: 'gpspositivebasis2n'
    maxconstraint: []
     searchmethod: []
       iterations: 48
        funccount: 174
         meshsize: 9.5367e-07
         rngstate: [1x1 struct]
          message: 'Optimization terminated: mesh size less than options.MeshTolerance.'
           solver: 'patternsearch'

Как fminunc, patternsearch достигает локального оптимума, как показано в выходном флаге exitflagp. Решение лучше, чем fminunc решение, потому что это имеет более низкое значение целевой функции. Однако patternsearch берет намного больше вычислений функции, как показано в структуре output.

ga Решатель

Решить задачу оптимизации с помощью ga Решатель Global Optimization Toolbox, введите:

rng default % For reproducibility
x0.x = 10*randn(20) + 20;
x0.y = 10*randn(20) + 30; % Random start population near [20,30];
[solg,fvalg,eflagg,outputg] = solve(prob,"Solver","ga")
Solving problem using ga.
Optimization terminated: maximum number of generations exceeded.
solg = struct with fields:
    x: 0.0064
    y: 7.7057e-04

fvalg = 8.1608e-05
eflagg = 
    SolverLimitExceeded

outputg = struct with fields:
      problemtype: 'unconstrained'
         rngstate: [1x1 struct]
      generations: 200
        funccount: 9453
          message: 'Optimization terminated: maximum number of generations exceeded.'
    maxconstraint: []
       hybridflag: []
           solver: 'ga'

ga берет намного больше вычислений функции, чем предыдущие решатели и прибывает в решение около глобального минимума. Решатель является стохастическим, и может достигнуть субоптимального решения.

particleswarm Решатель

Решить задачу оптимизации с помощью particleswarm Решатель Global Optimization Toolbox, введите:

rng default % For reproducibility
[solpso,fvalpso,eflagpso,outputpso] = solve(prob,"Solver","particleswarm")
Solving problem using particleswarm.
Optimization ended: relative change in the objective value 
over the last OPTIONS.MaxStallIterations iterations is less than OPTIONS.FunctionTolerance.
solpso = struct with fields:
    x: 7.1467e-07
    y: 1.4113e-06

fvalpso = 4.9631e-12
eflagpso = 
    SolverConvergedSuccessfully

outputpso = struct with fields:
      rngstate: [1x1 struct]
    iterations: 120
     funccount: 2420
       message: 'Optimization ended: relative change in the objective value ...'
    hybridflag: []
        solver: 'particleswarm'

Решатель берет меньше вычислений функции, чем ga, и находит еще более точное решение. Снова, решатель является стохастическим и может не достигнуть глобального решения.

simulannealbnd Решатель

Решить задачу оптимизации с помощью simulannealbnd Решатель Global Optimization Toolbox, введите:

rng default % For reproducibility
x0.x = 20;
x0.y = 30;
[solsim,fvalsim,eflagsim,outputsim] = solve(prob,x0,"Solver","simulannealbnd")
Solving problem using simulannealbnd.
Optimization terminated: change in best function value less than options.FunctionTolerance.
solsim = struct with fields:
    x: 0.0025
    y: 0.0018

fvalsim = 1.8311e-05
eflagsim = 
    SolverConvergedSuccessfully

outputsim = struct with fields:
     iterations: 1967
      funccount: 1986
        message: 'Optimization terminated: change in best function value less than options.FunctionTolerance.'
       rngstate: [1x1 struct]
    problemtype: 'unconstrained'
    temperature: [2x1 double]
      totaltime: 0.7909
         solver: 'simulannealbnd'

Решатель берет о том же количестве вычислений функции как particleswarm, и достигает хорошего решения. Этот решатель также является стохастическим.

surrogateopt Решатель

surrogateopt не требует стартовой точки, но действительно требует конечных границ. Установите границы –70 к 130 в каждом компоненте. Чтобы иметь тот же вид выхода как другие решатели, отключите функцию построения графика по умолчанию.

rng default % For reproducibility
x = optimvar("x","LowerBound",-70,"UpperBound",130);
y = optimvar("y","LowerBound",-70,"UpperBound",130);
prob = optimproblem("Objective",rf3(x,y));
options = optimoptions("surrogateopt","PlotFcn",[]);
[solsur,fvalsur,eflagsur,outputsur] = solve(prob,...
    "Solver","surrogateopt",...
    "Options",options)
Solving problem using surrogateopt.
surrogateopt stopped because it exceeded the function evaluation limit set by 
'options.MaxFunctionEvaluations'.
solsur = struct with fields:
    x: -0.0033
    y: 4.7219e-04

fvalsur = 2.2456e-05
eflagsur = 
    SolverLimitExceeded

outputsur = struct with fields:
        elapsedtime: 2.4243
          funccount: 200
    constrviolation: 0
               ineq: [1x1 struct]
           rngstate: [1x1 struct]
            message: 'surrogateopt stopped because it exceeded the function evaluation limit set by ...'
             solver: 'surrogateopt'

Решатель берет относительно немного вычислений функции, чтобы достигнуть решения около глобального оптимума. Однако каждое вычисление функции занимает намного больше времени, чем те из других решателей.

Сравните решатели и решения

Одно решение лучше, чем другой, если его значение целевой функции меньше, чем другой. Следующая таблица обобщает результаты.

sols = [solf.x solf.y;
    solp.x solp.y;
    solg.x solg.y;
    solpso.x solpso.y;
    solsim.x solsim.y;
    solsur.x solsur.y];
fvals = [fvalf;
    fvalp;
    fvalg;
    fvalpso;
    fvalsim;
    fvalsur];
fevals = [outputf.funcCount;
    outputp.funccount;
    outputg.funccount;
    outputpso.funccount;
    outputsim.funccount;
    outputsur.funccount];
stats = table(sols,fvals,fevals);
stats.Properties.RowNames = ["fminunc" "patternsearch" "ga" "particleswarm" "simulannealbnd" "surrogateopt"];
stats.Properties.VariableNames = ["Solution" "Objective" "# Fevals"];
disp(stats)
                              Solution            Objective     # Fevals
                      ________________________    __________    ________

    fminunc               19.899        29.849        12.934         5  
    patternsearch         19.899       -9.9496        4.9748       174  
    ga                 0.0063672    0.00077057    8.1608e-05      9453  
    particleswarm     7.1467e-07    1.4113e-06    4.9631e-12      2420  
    simulannealbnd      0.002453     0.0017923    1.8311e-05      1986  
    surrogateopt      -0.0033311    0.00047219    2.2456e-05       200  

Эти результаты типичны:

  • fminunc быстро достигает локального решения в его стартовой области, но не исследует вне этой области вообще. Поскольку целевая функция имеет аналитические производные, fminunc использует автоматическое дифференцирование, и возьмите очень немного вычислений функции, чтобы достигнуть точного локального минимума.

  • patternsearch берет больше вычислений функции, чем fminunc, и перерывает несколько областей, находя лучшее решение, чем fminunc.

  • ga берет намного больше вычислений функции, чем patternsearch. Случайно это находит лучшее решение. В этом случае, ga находит точку около глобального оптимума. ga является стохастическим, таким образом, его изменение результатов с каждым запуском. ga требует, чтобы дополнительные шаги имели начальную генеральную совокупность около [20,30].

  • particleswarm берет меньше вычислений функции, чем ga, но больше, чем patternsearch. В этом случае, particleswarm находит точку с более низким значением целевой функции, чем patternsearch или ga. Поскольку particleswarm является стохастическим, его изменение результатов с каждым запуском. particleswarm требует, чтобы дополнительные шаги имели начальную генеральную совокупность около [20,30].

  • simulannealbnd берет о том же количестве вычислений функции как particleswarm. В этом случае, simulannealbnd находит хорошее решение, но не столь хорошим как particleswarm. Решатель является стохастическим и может найти субоптимальное решение.

  • surrogateopt остановки, когда это достигает предела вычисления функции, который по умолчанию является 200 для 2D переменной проблемы. surrogateopt требует конечных границ. surrogateopt попытки найти глобальное решение, и в этом случае успешно выполняются. Каждое вычисление функции в surrogateopt занимает более длительное время, чем в большинстве других решателей, потому что surrogateopt выполняет много вспомогательных расчетов как часть его алгоритма.

Смотрите также

| | | | |

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте