Python 如何從頭開始迭代本地搜索

這篇文章主要介紹“ Python 如何從頭開始迭代本地搜索”，在日常操作中，相信很多人在 Python 如何從頭開始迭代本地搜索問題上存在疑惑，小編查閱了各式資料，整理出簡單好用的操作方法，希望對大家解答” Python 如何從頭開始迭代本地搜索”的疑惑有所幫助！接下來，請跟著小編一起來學習吧！

迭代局部搜索是一種隨機全局優化算法。它涉及將本地搜索算法重復應用于先前找到的好的解決方案的修改版本。這樣，它就像是具有隨機重啟算法的隨機爬山的巧妙版本。

該算法背后的直覺是，隨機重新啟動可以幫助找到問題中的許多局部最優值，并且更好的局部最優值通常接近于其他局部最優值。因此，對現有局部最優值的適度擾動可能會為優化問題找到更好甚至最好的解決方案。

在本教程中，您將發現如何從頭開始實現迭代的本地搜索算法。完成本教程后，您將知道：

• 迭代本地搜索是一種隨機全局搜索優化算法，它是具有隨機重啟功能的隨機爬山的更智能版本。

• 如何從頭開始隨機重啟隨機爬山。

• 如何實現并將迭代的局部搜索算法應用于非線性目標函數。

教程概述

本教程分為五個部分。他們是：

• 什么是迭代本地搜索

• 客觀目標函數

• 隨機爬山算法

• 隨機重新開始的隨機爬山

• 迭代局部搜索算法

什么是迭代本地搜索

迭代本地搜索(簡稱ILS)是一種隨機的全局搜索優化算法。它與隨機爬山和隨機爬山隨機開始有關。

隨機爬山是一種本地搜索算法，它涉及對現有解決方案進行隨機修改，并且僅當修改產生比當前工作解決方案更好的結果時，才接受修改。

通常，本地搜索算法會陷入本地最優狀態。解決此問題的一種方法是從新的隨機選擇的起點重新開始搜索。重新啟動過程可以執行多次，也可以在固定數量的功能評估之后觸發，或者在給定數量的算法迭代中看不到進一步的改善時，可以觸發重新啟動過程。該算法稱為隨機重新啟動的隨機爬山。

迭代的本地搜索類似于具有隨機重啟的隨機爬坡，除了不是為每次重啟選擇隨機的起點，而是根據迄今為止在更廣泛的搜索中找到的最佳點的修改版本來選擇一個點。到目前為止，最佳解決方案的擾動就像是搜索空間中向新區域的大幅躍遷，而隨機爬山算法產生的擾動要小得多，僅限于搜索空間的特定區域。這允許在兩個級別上執行搜索。爬山算法是一種本地搜索，用于從特定的候選解決方案或搜索空間區域中獲取最大收益，并且重新啟動方法允許探索搜索空間的不同區域。這樣，迭代局部搜索算法可在搜索空間中探索多個局部最優，從而增加了定位全局最優的可能性。盡管可以通過在搜索空間中使用不同的步長將其應用于連續功能優化，但迭代局部搜索是針對組合優化問題(如旅行推銷員問題(TSP))提出的：爬坡的步幅較小，爬坡的步幅較大隨機重啟。既然我們熟悉了迭代本地搜索算法，那么讓我們探索如何從頭開始實現該算法。

客觀目標函數

首先，讓我們定義一個渠道優化問題，作為實現“迭代本地搜索”算法的基礎。Ackley函數是多模式目標函數的一個示例，該函數具有單個全局最優值和多個局部最優值，可能會卡住局部搜索。因此，需要全局優化技術。這是一個二維目標函數，其全局最佳值為[0,0]，其值為0.0。下面的示例實現了Ackley，并創建了一個三維表面圖，顯示了全局最優值和多個局部最優值。

# ackley multimodal function from numpy import arange from numpy import exp from numpy import sqrt from numpy import cos from numpy import e from numpy import pi from numpy import meshgrid from matplotlib import pyplot from mpl_toolkits.mplot3d import Axes3D   # objective function def objective(x, y):  return -20.0 * exp(-0.2 * sqrt(0.5 * (x**2 + y**2))) - exp(0.5 * (cos(2 * pi * x) + cos(2 * pi * y))) + e + 20   # define range for input r_min, r_max = -5.0, 5.0 # sample input range uniformly at 0.1 increments xaxis = arange(r_min, r_max, 0.1) yaxis = arange(r_min, r_max, 0.1) # create a mesh from the axis x, y = meshgrid(xaxis, yaxis) # compute targets results = objective(x, y) # create a surface plot with the jet color scheme figure = pyplot.figure() axis = figure.gca(projection='3d') axis.plot_surface(x, y, results, cmap='jet') # show the plot pyplot.show()

運行示例將創建Ackley函數的表面圖，以顯示大量的局部最優值。

我們將以此為基礎來實現和比較簡單的隨機爬山算法，隨機重啟的隨機爬山算法以及最終迭代的本地搜索。我們希望隨機爬山算法容易陷入局部極小值。我們希望隨機爬山并重新啟動可以找到許多本地最小值，并且如果配置得當，我們希望迭代本地搜索比任何一種方法在此問題上的執行效果都更好。

隨機爬山算法

迭代本地搜索算法的核心是本地搜索，在本教程中，我們將為此目的使用隨機爬山算法。隨機爬山算法涉及到首先生成一個隨機的起點和當前的工作解決方案，然后生成當前工作解決方案的擾動版本，如果它們優于當前的工作解決方案，則接受它們。假設我們正在研究連續優化問題，則解決方案是目標函數要評估的值的向量，在這種情況下，該向量是二維空間中以-5和5為邊界的點。我們可以通過以均勻的概率分布對搜索空間進行采樣來生成隨機點。例如：

# generate a random point in the search space solution = bounds[:, 0] + rand(len(bounds)) * (bounds[:, 1] - bounds[:, 0])

我們可以使用高斯概率分布，當前解決方案中當前值的平均值以及由超參數控制的標準偏差來生成當前正在工作的解決方案的擾動版本，該超參數控制允許搜索從當前工作解決方案進行多遠的探索。

我們將此超參數稱為“ step_size”，例如：

# generate a perturbed version of a current working solution candidate = solution + randn(len(bounds)) * step_size

重要的是，我們必須檢查生成的解決方案是否在搜索空間內。

這可以通過一個名為in_bounds()的自定義函數來實現，該函數采用候選解和搜索空間的邊界，如果該點位于搜索空間中，則返回True，否則返回False。

# check if a point is within the bounds of the search def in_bounds(point, bounds):  # enumerate all dimensions of the point  for d in range(len(bounds)):   # check if out of bounds for this dimension   if point[d] < bounds[d, 0] or point[d] > bounds[d, 1]:    return False  return True

然后可以在爬坡期間調用此函數，以確認新點在搜索空間的邊界內，如果沒有，則可以生成新點。

結合在一起，下面的函數hillclimbing()實現了隨機爬山局部搜索算法。它以目標函數的名稱，問題的范圍，迭代次數和步長為參數，并返回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 = None  while solution is None or not in_bounds(solution, bounds):   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 = None   while candidate is None or not in_bounds(candidate, bounds):    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]

我們可以在Ackley函數上測試該算法。

我們將為偽隨機數生成器固定種子，以確保每次運行代碼時都得到相同的結果。

該算法將運行1,000次迭代，步長為0.05個單位。經過一些反復試驗后，才選擇了這兩個超參數。

運行結束時，我們將報告找到的最佳解決方案。

# seed the pseudorandom number generator seed(1) # define range for input bounds = asarray([[-5.0, 5.0], [-5.0, 5.0]]) # define the total iterations n_iterations = 1000 # define the maximum step size step_size = 0.05 # perform the hill climbing search best, score = hillclimbing(objective, bounds, n_iterations, step_size) print('Done!') print('f(%s) = %f' % (best, score))

結合在一起，下面列出了將隨機爬山算法應用于Ackley目標函數的完整示例。

# hill climbing search of the ackley objective function from numpy import asarray from numpy import exp from numpy import sqrt from numpy import cos from numpy import e from numpy import pi from numpy.random import randn from numpy.random import rand from numpy.random import seed   # objective function def objective(v):  x, y = v  return -20.0 * exp(-0.2 * sqrt(0.5 * (x**2 + y**2))) - exp(0.5 * (cos(2 * pi * x) + cos(2 * pi * y))) + e + 20   # check if a point is within the bounds of the search def in_bounds(point, bounds):  # enumerate all dimensions of the point  for d in range(len(bounds)):   # check if out of bounds for this dimension   if point[d] < bounds[d, 0] or point[d] > bounds[d, 1]:    return False  return True   # hill climbing local search algorithm def hillclimbing(objective, bounds, n_iterations, step_size):  # generate an initial point  solution = None  while solution is None or not in_bounds(solution, bounds):   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 = None   while candidate is None or not in_bounds(candidate, bounds):    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(1) # define range for input bounds = asarray([[-5.0, 5.0], [-5.0, 5.0]]) # define the total iterations n_iterations = 1000 # define the maximum step size step_size = 0.05 # perform the hill climbing search best, score = hillclimbing(objective, bounds, n_iterations, step_size) print('Done!') print('f(%s) = %f' % (best, score))

運行示例將對目標函數執行隨機爬山搜索。搜索過程中發現的每個改進都會報告出來，然后在搜索結束時報告最佳解決方案。

注意：由于算法或評估程序的隨機性，或者數值精度的差異，您的結果可能會有所不同。考慮運行該示例幾次并比較平均結果。

在這種情況下，我們可以看到搜索過程中約有13處改進，最終解決方案約為f(-0.981，1.965)，得出的評估值為5.381，與f(0.0，0.0)=  0相去甚遠。

>0 f([-0.85618854 2.1495965 ]) = 6.46986 >1 f([-0.81291816 2.03451957]) = 6.07149 >5 f([-0.82903902 2.01531685]) = 5.93526 >7 f([-0.83766043 1.97142393]) = 5.82047 >9 f([-0.89269139 2.02866012]) = 5.68283 >12 f([-0.8988359 1.98187164]) = 5.55899 >13 f([-0.9122303 2.00838942]) = 5.55566 >14 f([-0.94681334 1.98855174]) = 5.43024 >15 f([-0.98117198 1.94629146]) = 5.39010 >23 f([-0.97516403 1.97715161]) = 5.38735 >39 f([-0.98628044 1.96711371]) = 5.38241 >362 f([-0.9808789 1.96858459]) = 5.38233 >629 f([-0.98102417 1.96555308]) = 5.38194 Done! f([-0.98102417 1.96555308]) = 5.381939

隨機重新開始的隨機爬山

具有隨機重啟功能的隨機爬山算法涉及重復運行隨機爬山算法并跟蹤找到的最佳解決方案。首先，讓我們修改hillclimbing()函數以獲取搜索的起點，而不是隨機生成它。這將在以后實現迭代本地搜索算法時有所幫助。

# hill climbing local search algorithm def hillclimbing(objective, bounds, n_iterations, step_size, start_pt):  # store the initial point  solution = start_pt  # evaluate the initial point  solution_eval = objective(solution)  # run the hill climb  for i in range(n_iterations):   # take a step   candidate = None   while candidate is None or not in_bounds(candidate, bounds):    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  return [solution, solution_eval]

接下來，我們可以通過重復調用hillclimbing()函數一定的次數來實現隨機重啟算法。每次通話時，我們都會為爬山搜索生成一個隨機選擇的新起點。

# generate a random initial point for the search start_pt = None while start_pt is None or not in_bounds(start_pt, bounds):  start_pt = bounds[:, 0] + rand(len(bounds)) * (bounds[:, 1] - bounds[:, 0]) # perform a stochastic hill climbing search solution, solution_eval = hillclimbing(objective, bounds, n_iter, step_size, start_pt)

然后，我們可以檢查結果并將其保留，以使其比我們到目前為止所看到的任何搜索結果都要好。

# check for new best if solution_eval < best_eval:  best, best_eval = solution, solution_eval print('Restart %d, best: f(%s) = %.5f' % (n, best, best_eval))

結合在一起，random_restarts()函數實現了具有隨機重啟功能的隨機爬山算法。

# hill climbing with random restarts algorithm def random_restarts(objective, bounds, n_iter, step_size, n_restarts):  best, best_eval = None, 1e+10  # enumerate restarts  for n in range(n_restarts):   # generate a random initial point for the search   start_pt = None   while start_pt is None or not in_bounds(start_pt, bounds):    start_pt = bounds[:, 0] + rand(len(bounds)) * (bounds[:, 1] - bounds[:, 0])   # perform a stochastic hill climbing search   solution, solution_eval = hillclimbing(objective, bounds, n_iter, step_size, start_pt)   # check for new best   if solution_eval < best_eval:    best, best_eval = solution, solution_eval    print('Restart %d, best: f(%s) = %.5f' % (n, best, best_eval))  return [best, best_eval]

然后，我們可以將此算法應用于Ackley目標函數。在這種情況下，我們會將隨機重啟的數量限制為任意選擇的30次。

下面列出了完整的示例。

# hill climbing search with random restarts of the ackley objective function from numpy import asarray from numpy import exp from numpy import sqrt from numpy import cos from numpy import e from numpy import pi from numpy.random import randn from numpy.random import rand from numpy.random import seed   # objective function def objective(v):  x, y = v  return -20.0 * exp(-0.2 * sqrt(0.5 * (x**2 + y**2))) - exp(0.5 * (cos(2 * pi * x) + cos(2 * pi * y))) + e + 20   # check if a point is within the bounds of the search def in_bounds(point, bounds):  # enumerate all dimensions of the point  for d in range(len(bounds)):   # check if out of bounds for this dimension   if point[d] < bounds[d, 0] or point[d] > bounds[d, 1]:    return False  return True   # hill climbing local search algorithm def hillclimbing(objective, bounds, n_iterations, step_size, start_pt):  # store the initial point  solution = start_pt  # evaluate the initial point  solution_eval = objective(solution)  # run the hill climb  for i in range(n_iterations):   # take a step   candidate = None   while candidate is None or not in_bounds(candidate, bounds):    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  return [solution, solution_eval]   # hill climbing with random restarts algorithm def random_restarts(objective, bounds, n_iter, step_size, n_restarts):  best, best_eval = None, 1e+10  # enumerate restarts  for n in range(n_restarts):   # generate a random initial point for the search   start_pt = None   while start_pt is None or not in_bounds(start_pt, bounds):    start_pt = bounds[:, 0] + rand(len(bounds)) * (bounds[:, 1] - bounds[:, 0])   # perform a stochastic hill climbing search   solution, solution_eval = hillclimbing(objective, bounds, n_iter, step_size, start_pt)   # check for new best   if solution_eval < best_eval:    best, best_eval = solution, solution_eval    print('Restart %d, best: f(%s) = %.5f' % (n, best, best_eval))  return [best, best_eval]   # seed the pseudorandom number generator seed(1) # define range for input bounds = asarray([[-5.0, 5.0], [-5.0, 5.0]]) # define the total iterations n_iter = 1000 # define the maximum step size step_size = 0.05 # total number of random restarts n_restarts = 30 # perform the hill climbing search best, score = random_restarts(objective, bounds, n_iter, step_size, n_restarts) print('Done!') print('f(%s) = %f' % (best, score))

運行該示例將執行隨機爬山，并隨機重啟以查找Ackley目標函數。每次發現改進的整體解決方案時，都會進行報告，并匯總通過搜索找到的最終最佳解決方案。

注意：由于算法或評估程序的隨機性，或者數值精度的差異，您的結果可能會有所不同。考慮運行該示例幾次并比較平均結果。

在這種情況下，我們可以看到搜索過程中的三處改進，發現的最佳解決方案約為f(0.002，0.002)，其評估值為大約0.009，這比單次爬山算法要好得多。

Restart 0, best: f([-0.98102417 1.96555308]) = 5.38194 Restart 2, best: f([1.96522236 0.98120013]) = 5.38191 Restart 4, best: f([0.00223194 0.00258853]) = 0.00998 Done! f([0.00223194 0.00258853]) = 0.009978

接下來，讓我們看看如何實現迭代的本地搜索算法。

迭代局部搜索算法

迭代本地搜索算法是具有隨機重啟算法的隨機爬坡的改進版本。重要的區別在于，隨機爬山算法的每種應用的起點都是到目前為止找到的最佳點的一種擾動版本。我們可以通過使用random_restarts()函數作為起點來實現此算法。每次重新啟動迭代時，我們可以生成到目前為止找到的最佳解決方案的修改版本，而不是隨機的起點。這可以通過使用步長超參數來實現，就像在隨機爬山者中使用的一樣。在這種情況下，考慮到搜索空間中較大的擾動，將使用較大的步長值。

# generate an initial point as a perturbed version of the last best start_pt = None while start_pt is None or not in_bounds(start_pt, bounds):  start_pt = best + randn(len(bounds)) * p_size

結合在一起，下面定義了iterated_local_search()函數。

# iterated local search algorithm def iterated_local_search(objective, bounds, n_iter, step_size, n_restarts, p_size):  # define starting point  best = None  while best is None or not in_bounds(best, bounds):   best = bounds[:, 0] + rand(len(bounds)) * (bounds[:, 1] - bounds[:, 0])  # evaluate current best point  best_eval = objective(best)  # enumerate restarts  for n in range(n_restarts):   # generate an initial point as a perturbed version of the last best   start_pt = None   while start_pt is None or not in_bounds(start_pt, bounds):    start_pt = best + randn(len(bounds)) * p_size   # perform a stochastic hill climbing search   solution, solution_eval = hillclimbing(objective, bounds, n_iter, step_size, start_pt)   # check for new best   if solution_eval < best_eval:    best, best_eval = solution, solution_eval    print('Restart %d, best: f(%s) = %.5f' % (n, best, best_eval))  return [best, best_eval]

然后，我們可以將該算法應用于Ackley目標函數。在這種情況下，我們將使用較大的步長值1.0進行隨機重啟，這是在經過反復試驗后選擇的。

下面列出了完整的示例。

# iterated local search of the ackley objective function from numpy import asarray from numpy import exp from numpy import sqrt from numpy import cos from numpy import e from numpy import pi from numpy.random import randn from numpy.random import rand from numpy.random import seed   # objective function def objective(v):  x, y = v  return -20.0 * exp(-0.2 * sqrt(0.5 * (x**2 + y**2))) - exp(0.5 * (cos(2 * pi * x) + cos(2 * pi * y))) + e + 20   # check if a point is within the bounds of the search def in_bounds(point, bounds):  # enumerate all dimensions of the point  for d in range(len(bounds)):   # check if out of bounds for this dimension   if point[d] < bounds[d, 0] or point[d] > bounds[d, 1]:    return False  return True   # hill climbing local search algorithm def hillclimbing(objective, bounds, n_iterations, step_size, start_pt):  # store the initial point  solution = start_pt  # evaluate the initial point  solution_eval = objective(solution)  # run the hill climb  for i in range(n_iterations):   # take a step   candidate = None   while candidate is None or not in_bounds(candidate, bounds):    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  return [solution, solution_eval]   # iterated local search algorithm def iterated_local_search(objective, bounds, n_iter, step_size, n_restarts, p_size):  # define starting point  best = None  while best is None or not in_bounds(best, bounds):   best = bounds[:, 0] + rand(len(bounds)) * (bounds[:, 1] - bounds[:, 0])  # evaluate current best point  best_eval = objective(best)  # enumerate restarts  for n in range(n_restarts):   # generate an initial point as a perturbed version of the last best   start_pt = None   while start_pt is None or not in_bounds(start_pt, bounds):    start_pt = best + randn(len(bounds)) * p_size   # perform a stochastic hill climbing search   solution, solution_eval = hillclimbing(objective, bounds, n_iter, step_size, start_pt)   # check for new best   if solution_eval < best_eval:    best, best_eval = solution, solution_eval    print('Restart %d, best: f(%s) = %.5f' % (n, best, best_eval))  return [best, best_eval]   # seed the pseudorandom number generator seed(1) # define range for input bounds = asarray([[-5.0, 5.0], [-5.0, 5.0]]) # define the total iterations n_iter = 1000 # define the maximum step size s_size = 0.05 # total number of random restarts n_restarts = 30 # perturbation step size p_size = 1.0 # perform the hill climbing search best, score = iterated_local_search(objective, bounds, n_iter, s_size, n_restarts, p_size) print('Done!') print('f(%s) = %f' % (best, score))

運行該示例將對Ackley目標函數執行“迭代本地搜索”。

每次發現改進的整體解決方案時，都會進行報告，并在運行結束時匯總通過搜索找到的最終最佳解決方案。

注意：由于算法或評估程序的隨機性，或者數值精度的差異，您的結果可能會有所不同。考慮運行該示例幾次并比較平均結果。

在這種情況下，我們可以在搜索過程中看到四個改進，發現的最佳解決方案是兩個非常小的輸入，它們接近于零，其估計值為0.0003，這比單次爬山或爬山都要好。登山者重新啟動。

Restart 0, best: f([-0.96775653 0.96853129]) = 3.57447 Restart 3, best: f([-4.50618519e-04 9.51020713e-01]) = 2.57996 Restart 5, best: f([ 0.00137423 -0.00047059]) = 0.00416 Restart 22, best: f([ 1.16431936e-04 -3.31358206e-06]) = 0.00033 Done! f([ 1.16431936e-04 -3.31358206e-06]) = 0.000330

到此，關于“ Python 如何從頭開始迭代本地搜索”的學習就結束了，希望能夠解決大家的疑惑。理論與實踐的搭配能更好的幫助大家學習，快去試試吧！若想繼續學習更多相關知識，請繼續關注億速云網站，小編會繼續努力為大家帶來更多實用的文章！