隨機(jī)爬山是一種優(yōu)化算法。它利用隨機(jī)性作為搜索過程的一部分。這使得該算法適用于非線性目標(biāo)函數(shù)，而其他局部搜索算法不能很好地運行。它也是一種局部搜索算法，這意味著它修改了單個解決方案并搜索搜索空間的相對局部區(qū)域，直到找到局部最優(yōu)值為止。這意味著它適用于單峰優(yōu)化問題或在應(yīng)用全局優(yōu)化算法后使用。

在本教程中，您將發(fā)現(xiàn)用于函數(shù)優(yōu)化的爬山優(yōu)化算法完成本教程后，您將知道：

爬山是用于功能優(yōu)化的隨機(jī)局部搜索算法。 如何在Python中從頭開始實現(xiàn)爬山算法。 如何應(yīng)用爬山算法并檢查算法結(jié)果。 教程概述

本教程分為三個部分：他們是：

爬山算法 爬山算法的實現(xiàn) 應(yīng)用爬山算法的示例 爬山算法

隨機(jī)爬山算法是一種隨機(jī)局部搜索優(yōu)化算法。它以起始點作為輸入和步長，步長是搜索空間內(nèi)的距離。該算法將初始點作為當(dāng)前最佳候選解決方案，并在提供的點的步長距離內(nèi)生成一個新點。計算生成的點，如果它等于或好于當(dāng)前點，則將其視為當(dāng)前點。新點的生成使用隨機(jī)性，通常稱為隨機(jī)爬山。這意味著該算法可以跳過響應(yīng)表面的顛簸，嘈雜，不連續(xù)或欺騙性區(qū)域，作為搜索的一部分。重要的是接受具有相等評估的不同點，因為它允許算法繼續(xù)探索搜索空間，例如在響應(yīng)表面的平坦區(qū)域上。限制這些所謂的“橫向”移動以避免無限循環(huán)也可能是有幫助的。該過程一直持續(xù)到滿足停止條件，例如最大數(shù)量的功能評估或給定數(shù)量的功能評估內(nèi)沒有改善為止。該算法之所以得名，是因為它會（隨機(jī)地）爬到響應(yīng)面的山坡上，達(dá)到局部最優(yōu)值。這并不意味著它只能用于最大化目標(biāo)函數(shù)。這只是一個名字。實際上，通常，我們最小化功能而不是最大化它們。作為局部搜索算法，它可能會陷入局部最優(yōu)狀態(tài)。然而，多次重啟可以允許算法定位全局最優(yōu)。步長必須足夠大，以允許在搜索空間中找到更好的附近點，但步幅不能太大，以使搜索跳出包含局部最優(yōu)值的區(qū)域。

爬山算法的實現(xiàn)

在撰寫本文時，SciPy庫未提供隨機(jī)爬山的實現(xiàn)。但是，我們可以自己實現(xiàn)它。首先，我們必須定義目標(biāo)函數(shù)和每個輸入變量到目標(biāo)函數(shù)的界限。目標(biāo)函數(shù)只是一個Python函數(shù)，我們將其命名為Objective（）。邊界將是一個2D數(shù)組，每個輸入變量都具有一個維度，該變量定義了變量的最小值和最大值。例如，一維目標(biāo)函數(shù)和界限將定義如下：

# objective function def objective(x): return 0 # define range for input bounds = asarray([[-5.0, 5.0]])

接下來，我們可以生成初始解作為問題范圍內(nèi)的隨機(jī)點，然后使用目標(biāo)函數(shù)對其進(jìn)行評估。

# generate an initial point solution = bounds[:, 0] + rand(len(bounds)) * (bounds[:, 1] - bounds[:, 0]) # evaluate the initial point solution_eval = objective(solution)

現(xiàn)在我們可以遍歷定義為“ n_iterations”的算法的預(yù)定義迭代次數(shù)，例如100或1,000。

# run the hill climb for i in range(n_iterations):

算法迭代的第一步是采取步驟。這需要預(yù)定義的“ step_size”參數(shù)，該參數(shù)相對于搜索空間的邊界。我們將采用高斯分布的隨機(jī)步驟，其中均值是我們的當(dāng)前點，標(biāo)準(zhǔn)偏差由“ step_size”定義。這意味著大約99％的步驟將在當(dāng)前點的（3 * step_size）之內(nèi)。

# take a step candidate = solution + randn(len(bounds)) * step_size

我們不必采取這種方式。您可能希望使用0到步長之間的均勻分布。例如：

# take a step candidate = solution + rand(len(bounds)) * step_size

接下來，我們需要評估具有目標(biāo)函數(shù)的新候選解決方案。

# evaluate candidate point candidte_eval = objective(candidate)

然后，我們需要檢查此新點的評估結(jié)果是否等于或優(yōu)于當(dāng)前最佳點，如果是，則用此新點替換當(dāng)前最佳點。

# check if we should keep the new point if candidte_eval <= solution_eval: # store the new point solution, solution_eval = candidate, candidte_eval # report progress print(’>%d f(%s) = %.5f’ % (i, solution, solution_eval))

就是這樣。我們可以將此爬山算法實現(xiàn)為可重用函數(shù)，該函數(shù)將目標(biāo)函數(shù)的名稱，每個輸入變量的范圍，總迭代次數(shù)和步驟作為參數(shù)，并返回找到的最佳解決方案及其評估。

# hill climbing local search algorithm def hillclimbing(objective, bounds, n_iterations, step_size): # generate an initial point solution = bounds[:, 0] + rand(len(bounds)) * (bounds[:, 1] - bounds[:, 0]) # evaluate the initial point solution_eval = objective(solution) # run the hill climb for i in range(n_iterations): # take a step candidate = solution + randn(len(bounds)) * step_size # evaluate candidate point candidte_eval = objective(candidate) # check if we should keep the new point if candidte_eval <= solution_eval: # store the new point solution, solution_eval = candidate, candidte_eval # report progress print(’>%d f(%s) = %.5f’ % (i, solution, solution_eval)) return [solution, solution_eval]

現(xiàn)在，我們知道了如何在Python中實現(xiàn)爬山算法，讓我們看看如何使用它來優(yōu)化目標(biāo)函數(shù)。

應(yīng)用爬山算法的示例

在本節(jié)中，我們將把爬山優(yōu)化算法應(yīng)用于目標(biāo)函數(shù)。首先，讓我們定義目標(biāo)函數(shù)。我們將使用一個簡單的一維x ^ 2目標(biāo)函數(shù)，其邊界為[-5，5]。下面的示例定義了函數(shù)，然后為輸入值的網(wǎng)格創(chuàng)建了函數(shù)響應(yīng)面的折線圖，并用紅線標(biāo)記了f（0.0）= 0.0處的最佳值。

# convex unimodal optimization function from numpy import arange from matplotlib import pyplot # objective function def objective(x): return x[0]**2.0 # define range for input r_min, r_max = -5.0, 5.0 # sample input range uniformly at 0.1 increments inputs = arange(r_min, r_max, 0.1) # compute targets results = [objective([x]) for x in inputs] # create a line plot of input vs result pyplot.plot(inputs, results) # define optimal input value x_optima = 0.0 # draw a vertical line at the optimal input pyplot.axvline(x=x_optima, ls=’--’, color=’red’) # show the plot pyplot.show()

運行示例將創(chuàng)建目標(biāo)函數(shù)的折線圖，并清晰地標(biāo)記函數(shù)的最優(yōu)值。

接下來，我們可以將爬山算法應(yīng)用于目標(biāo)函數(shù)。首先，我們將播種偽隨機(jī)數(shù)生成器。通常這不是必需的，但是在這種情況下，我想確保每次運行算法時都得到相同的結(jié)果（相同的隨機(jī)數(shù)序列），以便以后可以繪制結(jié)果。

# seed the pseudorandom number generator seed(5)

接下來，我們可以定義搜索的配置。在這種情況下，我們將搜索算法的1,000次迭代，并使用0.1的步長。假設(shè)我們使用的是高斯函數(shù)來生成步長，這意味著大約99％的所有步長將位于給定點（0.1 * 3）的距離內(nèi)，例如 三個標(biāo)準(zhǔn)差。

n_iterations = 1000 # define the maximum step size step_size = 0.1

接下來，我們可以執(zhí)行搜索并報告結(jié)果。

# perform the hill climbing search best, score = hillclimbing(objective, bounds, n_iterations, step_size) print(’Done!’) print(’f(%s) = %f’ % (best, score))

結(jié)合在一起，下面列出了完整的示例。

# hill climbing search of a one-dimensional objective function from numpy import asarray from numpy.random import randn from numpy.random import rand from numpy.random import seed # objective function def objective(x): return x[0]**2.0 # hill climbing local search algorithm def hillclimbing(objective, bounds, n_iterations, step_size): # generate an initial point solution = bounds[:, 0] + rand(len(bounds)) * (bounds[:, 1] - bounds[:, 0]) # evaluate the initial point solution_eval = objective(solution) # run the hill climb for i in range(n_iterations): # take a step candidate = solution + randn(len(bounds)) * step_size # evaluate candidate point candidte_eval = objective(candidate) # check if we should keep the new point if candidte_eval <= solution_eval: # store the new point solution, solution_eval = candidate, candidte_eval # report progress print(’>%d f(%s) = %.5f’ % (i, solution, solution_eval)) return [solution, solution_eval] # seed the pseudorandom number generator seed(5) # define range for input bounds = asarray([[-5.0, 5.0]]) # define the total iterations n_iterations = 1000 # define the maximum step size step_size = 0.1 # perform the hill climbing search best, score = hillclimbing(objective, bounds, n_iterations, step_size) print(’Done!’) print(’f(%s) = %f’ % (best, score))

運行該示例將報告搜索進(jìn)度，包括每次檢測到改進(jìn)時的迭代次數(shù)，該函數(shù)的輸入以及來自目標(biāo)函數(shù)的響應(yīng)。搜索結(jié)束時，找到最佳解決方案，并報告其評估結(jié)果。在這種情況下，我們可以看到在算法的1,000次迭代中有36處改進(jìn)，并且該解決方案非常接近于0.0的最佳輸入，其計算結(jié)果為f（0.0）= 0.0。

>1 f([-2.74290923]) = 7.52355 >3 f([-2.65873147]) = 7.06885 >4 f([-2.52197291]) = 6.36035 >5 f([-2.46450214]) = 6.07377 >7 f([-2.44740961]) = 5.98981 >9 f([-2.28364676]) = 5.21504 >12 f([-2.19245939]) = 4.80688 >14 f([-2.01001538]) = 4.04016 >15 f([-1.86425287]) = 3.47544 >22 f([-1.79913002]) = 3.23687 >24 f([-1.57525573]) = 2.48143 >25 f([-1.55047719]) = 2.40398 >26 f([-1.51783757]) = 2.30383 >27 f([-1.49118756]) = 2.22364 >28 f([-1.45344116]) = 2.11249 >30 f([-1.33055275]) = 1.77037 >32 f([-1.17805016]) = 1.38780 >33 f([-1.15189314]) = 1.32686 >36 f([-1.03852644]) = 1.07854 >37 f([-0.99135322]) = 0.98278 >38 f([-0.79448984]) = 0.63121 >39 f([-0.69837955]) = 0.48773 >42 f([-0.69317313]) = 0.48049 >46 f([-0.61801423]) = 0.38194 >48 f([-0.48799625]) = 0.23814 >50 f([-0.22149135]) = 0.04906 >54 f([-0.20017144]) = 0.04007 >57 f([-0.15994446]) = 0.02558 >60 f([-0.15492485]) = 0.02400 >61 f([-0.03572481]) = 0.00128 >64 f([-0.03051261]) = 0.00093 >66 f([-0.0074283]) = 0.00006 >78 f([-0.00202357]) = 0.00000 >119 f([0.00128373]) = 0.00000 >120 f([-0.00040911]) = 0.00000 >314 f([-0.00017051]) = 0.00000 Done! f([-0.00017051]) = 0.000000

以線圖的形式查看搜索的進(jìn)度可能很有趣，該線圖顯示了每次改進(jìn)后最佳解決方案的評估變化。每當(dāng)有改進(jìn)時，我們就可以更新hillclimbing（）來跟蹤目標(biāo)函數(shù)的評估，并返回此分?jǐn)?shù)列表

# hill climbing local search algorithm def hillclimbing(objective, bounds, n_iterations, step_size): # generate an initial point solution = bounds[:, 0] + rand(len(bounds)) * (bounds[:, 1] - bounds[:, 0]) # evaluate the initial point solution_eval = objective(solution) # run the hill climb scores = list() scores.append(solution_eval) for i in range(n_iterations): # take a step candidate = solution + randn(len(bounds)) * step_size # evaluate candidate point candidte_eval = objective(candidate) # check if we should keep the new point if candidte_eval <= solution_eval: # store the new point solution, solution_eval = candidate, candidte_eval # keep track of scores scores.append(solution_eval) # report progress print(’>%d f(%s) = %.5f’ % (i, solution, solution_eval)) return [solution, solution_eval, scores]

然后，我們可以創(chuàng)建這些分?jǐn)?shù)的折線圖，以查看搜索過程中發(fā)現(xiàn)的每個改進(jìn)的目標(biāo)函數(shù)的相對變化

# line plot of best scores pyplot.plot(scores, ’.-’) pyplot.xlabel(’Improvement Number’) pyplot.ylabel(’Evaluation f(x)’) pyplot.show()

結(jié)合在一起，下面列出了執(zhí)行搜索并繪制搜索過程中改進(jìn)解決方案的目標(biāo)函數(shù)得分的完整示例。

# hill climbing search of a one-dimensional objective function from numpy import asarray from numpy.random import randn from numpy.random import rand from numpy.random import seed from matplotlib import pyplot # objective function def objective(x): return x[0]**2.0 # hill climbing local search algorithm def hillclimbing(objective, bounds, n_iterations, step_size): # generate an initial point solution = bounds[:, 0] + rand(len(bounds)) * (bounds[:, 1] - bounds[:, 0]) # evaluate the initial point solution_eval = objective(solution) # run the hill climb scores = list() scores.append(solution_eval) for i in range(n_iterations): # take a step candidate = solution + randn(len(bounds)) * step_size # evaluate candidate point candidte_eval = objective(candidate) # check if we should keep the new point if candidte_eval <= solution_eval: # store the new point solution, solution_eval = candidate, candidte_eval # keep track of scores scores.append(solution_eval) # report progress print(’>%d f(%s) = %.5f’ % (i, solution, solution_eval)) return [solution, solution_eval, scores] # seed the pseudorandom number generator seed(5) # define range for input bounds = asarray([[-5.0, 5.0]]) # define the total iterations n_iterations = 1000 # define the maximum step size step_size = 0.1 # perform the hill climbing search best, score, scores = hillclimbing(objective, bounds, n_iterations, step_size) print(’Done!’) print(’f(%s) = %f’ % (best, score)) # line plot of best scores pyplot.plot(scores, ’.-’) pyplot.xlabel(’Improvement Number’) pyplot.ylabel(’Evaluation f(x)’) pyplot.show()

運行示例將執(zhí)行搜索，并像以前一樣報告結(jié)果。創(chuàng)建一個線形圖，顯示在爬山搜索期間每個改進(jìn)的目標(biāo)函數(shù)評估。在搜索過程中，我們可以看到目標(biāo)函數(shù)評估發(fā)生了約36個變化，隨著算法收斂到最優(yōu)值，初始變化較大，而在搜索結(jié)束時變化很小，難以察覺。

鑒于目標(biāo)函數(shù)是一維的，因此可以像上面那樣直接繪制響應(yīng)面。通過將在搜索過程中找到的最佳候選解決方案繪制為響應(yīng)面中的點，來回顧搜索的進(jìn)度可能會很有趣。我們期望沿著響應(yīng)面到達(dá)最優(yōu)點的一系列點。這可以通過首先更新hillclimbing（）函數(shù)以跟蹤每個最佳候選解決方案在搜索過程中的位置來實現(xiàn)，然后返回最佳解決方案列表來實現(xiàn)。

# hill climbing local search algorithm def hillclimbing(objective, bounds, n_iterations, step_size): # generate an initial point solution = bounds[:, 0] + rand(len(bounds)) * (bounds[:, 1] - bounds[:, 0]) # evaluate the initial point solution_eval = objective(solution) # run the hill climb solutions = list() solutions.append(solution) for i in range(n_iterations): # take a step candidate = solution + randn(len(bounds)) * step_size # evaluate candidate point candidte_eval = objective(candidate) # check if we should keep the new point if candidte_eval <= solution_eval: # store the new point solution, solution_eval = candidate, candidte_eval # keep track of solutions solutions.append(solution) # report progress print(’>%d f(%s) = %.5f’ % (i, solution, solution_eval)) return [solution, solution_eval, solutions]

然后，我們可以創(chuàng)建目標(biāo)函數(shù)響應(yīng)面的圖，并像以前那樣標(biāo)記最優(yōu)值。

# sample input range uniformly at 0.1 increments inputs = arange(bounds[0,0], bounds[0,1], 0.1) # create a line plot of input vs result pyplot.plot(inputs, [objective([x]) for x in inputs], ’--’) # draw a vertical line at the optimal input pyplot.axvline(x=[0.0], ls=’--’, color=’red’)

最后，我們可以將搜索找到的候選解的序列繪制成黑點。

# plot the sample as black circles pyplot.plot(solutions, [objective(x) for x in solutions], ’o’, color=’black’)

結(jié)合在一起，下面列出了在目標(biāo)函數(shù)的響應(yīng)面上繪制改進(jìn)解序列的完整示例。

# hill climbing search of a one-dimensional objective function from numpy import asarray from numpy import arange from numpy.random import randn from numpy.random import rand from numpy.random import seed from matplotlib import pyplot # objective function def objective(x): return x[0]**2.0 # hill climbing local search algorithm def hillclimbing(objective, bounds, n_iterations, step_size): # generate an initial point solution = bounds[:, 0] + rand(len(bounds)) * (bounds[:, 1] - bounds[:, 0]) # evaluate the initial point solution_eval = objective(solution) # run the hill climb solutions = list() solutions.append(solution) for i in range(n_iterations): # take a step candidate = solution + randn(len(bounds)) * step_size # evaluate candidate point candidte_eval = objective(candidate) # check if we should keep the new point if candidte_eval <= solution_eval: # store the new point solution, solution_eval = candidate, candidte_eval # keep track of solutions solutions.append(solution) # report progress print(’>%d f(%s) = %.5f’ % (i, solution, solution_eval)) return [solution, solution_eval, solutions] # seed the pseudorandom number generator seed(5) # define range for input bounds = asarray([[-5.0, 5.0]]) # define the total iterations n_iterations = 1000 # define the maximum step size step_size = 0.1 # perform the hill climbing search best, score, solutions = hillclimbing(objective, bounds, n_iterations, step_size) print(’Done!’) print(’f(%s) = %f’ % (best, score)) # sample input range uniformly at 0.1 increments inputs = arange(bounds[0,0], bounds[0,1], 0.1) # create a line plot of input vs result pyplot.plot(inputs, [objective([x]) for x in inputs], ’--’) # draw a vertical line at the optimal input pyplot.axvline(x=[0.0], ls=’--’, color=’red’) # plot the sample as black circles pyplot.plot(solutions, [objective(x) for x in solutions], ’o’, color=’black’) pyplot.show()

運行示例將執(zhí)行爬山搜索，并像以前一樣報告結(jié)果。像以前一樣創(chuàng)建一個響應(yīng)面圖，顯示函數(shù)的熟悉的碗形，并用垂直的紅線標(biāo)記函數(shù)的最佳狀態(tài)。在搜索過程中找到的最佳解決方案的順序顯示為黑點，沿著碗形延伸到最佳狀態(tài)。

以上就是Python實現(xiàn)隨機(jī)爬山算法的詳細(xì)內(nèi)容，更多關(guān)于Python 隨機(jī)爬山算法的資料請關(guān)注好吧啦網(wǎng)其它相關(guān)文章！