CMAES优化方法测试--python_cma.cmaevolutionstrategy-CSDN博客

本文链接：https://blog.csdn.net/sinat_18131557/article/details/130617618

文章介绍了如何在Python中利用cma库进行CMAES优化，目标函数需为列表参数，通过示例展示了如何定义和调用目标函数，并运行CMAEvolutionStrategy进行优化，最终找到最优解。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

进行配准的时候发现有些研究说CMAES优化方法算是state of the art的方法，找了一下相关的CMAES实现。在python中可以直接使用cma库，通过pip isntall cma就可以进行安装。由于CMAES是通过协方差优化，优化变量至少是2D的。example中都是使用cma.ff中的目标函数，如果是自定义的目标函数需要参照以下写，目标函数带一个参数x0, 注意需要是list对象：

import cma
import numpy as np

def obj_func(x0):
    """
    z(x,y) = 10* sin(sqrt(x^2+y^2))/ sqrt(x^2+y^2)
    :param x0:
    :return:
    """
    l = np.linalg.norm(x0)  # sqrt(x^2+y^2)
    f = -10 * np.sin(l) / l
    return f

然后在optimize中传入这个目标函数即可。在cma.CMAEvolutionStrategy([1,2], 0.5)注意输入初始化的参数，数据大小与木目标函数的输入一致。

def test_cma():
    es = cma.CMAEvolutionStrategy([1,2], 0.5)
    es.optimize(obj_func)
    es.logger.plot()
    print(es.result_pretty())

if __name__ == '__main__':
    test_cma()

最终输出：

CMAEvolutionStrategyResult(xbest=array([2.37504437e-08, 1.24986992e-08]), fbest=-10.0, evals_best=469, evaluations=510, iterations=85, xfavorite=array([ 1.35373800e-08, -1.54743957e-08]), stds=array([1.81745542e-08, 2.55343095e-08]), stop={'tolfun': 1e-11})

表示在[2.37504437e-08, 1.24986992e-08]位置取到最小值fbest=-10.0.