Experiment

Diesmal

x^2+y^2+z^2

Optimieren wir das Minimierungsproblem.

Objektive Funktionsdefinition

Definieren Sie zunächst die Zielfunktion.

#Zielfunktion einstellen(Diesmal x^2+y^2+z^2)
def objective(trial):
    #Stellen Sie die zu optimierenden Parameter ein
    param = {
        'x': trial.suggest_int('x', -100, 100),
        'y': trial.suggest_int('y', -100, 100),
        'z': trial.suggest_int('z', -100, 100)
    }
    #Gibt den Auswertungswert zurück(Es ist standardmäßig so konzipiert, dass es minimiert wird)
    return param['x'] ** 2 + param['y'] ** 2 + param['z'] ** 2

Optimierungsausführung

Erstellen Sie zunächst ein Studienobjekt und führen Sie dann eine Optimierung durch. Sie können die Anzahl der Suchvorgänge mit n_trials festlegen. Dies ist ein Argument von optimze ().

#Objekterstellung studieren
study = optuna.create_study()
#Optimierungsausführung
study.optimize(objective, n_trials=500)

Bei der Ausführung wird die folgende Anzeige angezeigt. (Auszug)

[I 2019-12-01 23:01:21,564] Finished trial#381 resulted in value: 121.0. Current best value is 4.0 with parameters: {'x': 0, 'y': 0, 'z': 2}.
[I 2019-12-01 23:01:21,705] Finished trial#382 resulted in value: 56.0. Current best value is 4.0 with parameters: {'x': 0, 'y': 0, 'z': 2}.
[I 2019-12-01 23:01:21,866] Finished trial#383 resulted in value: 88.0. Current best value is 4.0 with parameters: {'x': 0, 'y': 0, 'z': 2}.
[I 2019-12-01 23:01:22,012] Finished trial#384 resulted in value: 104.0. Current best value is 4.0 with parameters: {'x': 0, 'y': 0, 'z': 2}.
[I 2019-12-01 23:01:22,170] Finished trial#385 resulted in value: 426.0. Current best value is 4.0 with parameters: {'x': 0, 'y': 0, 'z': 2}.
[I 2019-12-01 23:01:22,361] Finished trial#386 resulted in value: 5249.0. Current best value is 4.0 with parameters: {'x': 0, 'y': 0, 'z': 2}.
[I 2019-12-01 23:01:22,523] Finished trial#387 resulted in value: 165.0. Current best value is 4.0 with parameters: {'x': 0, 'y': 0, 'z': 2}.
[I 2019-12-01 23:01:22,684] Finished trial#388 resulted in value: 84.0. Current best value is 4.0 with parameters: {'x': 0, 'y': 0, 'z': 2}.

Wenn Sie die optimierten Parameter anzeigen möchten, fügen Sie Folgendes hinzu:

print(study.best_params)

Wenn Sie den optimierten Zielfunktionswert überprüfen möchten, fügen Sie Folgendes hinzu.

print(study.best_value)

Wenn Sie jeden Versuch sehen möchten, rufen Sie die Informationen aus study.trials ab. Sie können die Anzahl der Versuche, Parameter und objektiven Funktionswerte mit dem folgenden Code anzeigen.

for i in study.trials:
    print(i.number, i.params, i.value)

Code

Ich werde den diesmal verwendeten Code einfügen.

# -*- coding: utf-8 -*-
import optuna
import matplotlib.pyplot as plt

#Zielfunktion einstellen(Diesmal x^2+y^2+z^2)
def objective(trial):
    #Stellen Sie die zu optimierenden Parameter ein
    param = {
        'x': trial.suggest_int('x', -100, 100),
        'y': trial.suggest_int('y', -100, 100),
        'z': trial.suggest_int('z', -100, 100)
    }
    #Gibt den Auswertungswert zurück(Es ist standardmäßig so konzipiert, dass es minimiert wird)
    return param['x'] ** 2 + param['y'] ** 2 + param['z'] ** 2

if __name__ == '__main__':
    #Objekterstellung studieren
    study = optuna.create_study()
    #Optimierungsausführung
    study.optimize(objective, n_trials=500)

    epoches = []    #Zum Speichern der Anzahl der Versuche
    values = []    # best_Zum Speichern von Wert
    best = 100000    #Speichern Sie den Maximalwert entsprechend
    #Mach das beste Update
    for i in study.trials:
        if best > i.value:
            best = i.value
        epoches.append(i.number+1)
        values.append(best)
    
    #Grafikeinstellungen usw.
    plt.plot(epoches, values, color="red")
    plt.title("optuna")
    plt.xlabel("trial")
    plt.ylabel("value")
    plt.show()

Ergebnis

Die Figur des Ergebnisses dieses Experiments ist wie folgt. Da der Wert von best_value 3.0 war, erreichte es nicht die wirklich optimale Lösung, aber es wurde bestätigt, dass es in einem frühen Stadium konvergierte.