optuna.samplers.NSGAIIISampler

class optuna.samplers.NSGAIIISampler(*, population_size=50, mutation_prob=None, crossover=None, crossover_prob=0.9, swapping_prob=0.5, seed=None, constraints_func=None, reference_points=None, dividing_parameter=3, elite_population_selection_strategy=None, child_generation_strategy=None, after_trial_strategy=None)

使用 NSGA-III 算法的多目标采样器。

NSGA-III 是“Nondominated Sorting Genetic Algorithm III”的缩写，它是 NSGA-II 针对多目标优化问题的改进版本。

关于 NSGA-III 的更多信息，请参阅以下论文：

• An Evolutionary Many-Objective Optimization Algorithm Using Reference-Point-Based Nondominated Sorting Approach, Part I: Solving Problems With Box Constraints

• An Evolutionary Many-Objective Optimization Algorithm Using Reference-Point-Based Nondominated Sorting Approach, Part II: Handling Constraints and Extending to an Adaptive Approach

参数:

• reference_points (np.ndarray | None) – 一个二维 numpy.ndarray，具有目标维度列。表示用于确定谁将存活的参考点列表。在非支配排序后，通过计算每个个体最近参考点的稀疏度来决定边界层中的个体谁将存活。在默认设置中，算法使用均匀分布的点来分散结果。通过提供任意一组目标点，也可以反映您的偏好，因为算法会优先考虑参考点附近的个体。

• dividing_parameter (int) – 用于确定默认参考点密度的参数。此参数决定了每个轴上的参考点之间的划分次数。此值越小，参考点的数量越少。默认值为 3。请注意，当 reference_points 不为 None 时，不使用此参数。

• population_size (int)

• mutation_prob (float | None)

• crossover (BaseCrossover | None)

• crossover_prob (float)

• swapping_prob (float)

• seed (int | None)

• constraints_func (Callable[[FrozenTrial], Sequence[float]] | None)

• elite_population_selection_strategy (Callable[[Study, list[FrozenTrial]], list[FrozenTrial]] | None)

• child_generation_strategy (Callable[[Study, dict[str, BaseDistribution], list[FrozenTrial]], dict[str, Any]] | None)

• after_trial_strategy (Callable[[Study, FrozenTrial, TrialState, Sequence[float] | None], None] | None)

注意

除 reference_points 和 dividing_parameter 之外的其他参数与 NSGAIISampler 相同。

注意

在 v3.2.0 中添加为实验性功能。接口可能在更高版本中更改，恕不另行通知。请参阅 https://github.com/optuna/optuna/releases/tag/v3.2.0。

方法

after_trial(study, trial, state, values)	试验后处理。
before_trial(study, trial)	试验预处理。
get_parent_population(study, generation)	获取给定代数的父代种群。
get_population(study, generation)	获取给定代数的种群。
get_trial_generation(study, trial)	获取给定 trial 的代数。
infer_relative_search_space(study, trial)	为目标试验推断将使用的搜索空间。
reseed_rng()	重新设置采样器的随机数生成器。
sample_independent(study, trial, param_name, ...)	为给定的分布采样一个参数。
sample_relative(study, trial, search_space)	在给定的搜索空间中采样参数。
select_parent(study, generation)	从给定代数的种群中选择父代 trial。

属性

population_size

after_trial(study, trial, state, values)

试验后处理。

此方法在目标函数返回后、试验完成并存储其状态之前调用。

注意

于 v2.4.0 添加为实验性功能。接口可能在新版本中更改，恕不另行通知。请参阅 https://github.com/optuna/optuna/releases/tag/v2.4.0。

参数:

• study (Study) – 目标研究对象。

• trial (FrozenTrial) – 目标试验对象。修改此对象前请先复制。

• state (TrialState) – 结果试验状态。

• values (Sequence[float] | None) – 结果试验值。如果试验成功，则保证不为 None。

返回类型:

无

before_trial(study, trial)

试验预处理。

此方法在调用目标函数之前、试验实例化之后调用。更准确地说，此方法在试验初始化期间调用，就在调用 infer_relative_search_space() 调用之前。换句话说，它负责在推断搜索空间之前应执行的预处理。

注意

于 v3.3.0 作为实验性功能添加。界面可能会在较新版本中更改，恕不另行通知。请参阅 https://github.com/optuna/optuna/releases/tag/v3.3.0。

参数:

• study (Study) – 目标研究对象。

• trial (FrozenTrial) – 目标试验对象。

返回类型:

无

get_parent_population(study, generation)

获取给定代数的父代种群。

此方法将父代种群缓存到 study 的系统属性中。

参数:

• study (Study) – 目标 study 对象。

• generation (int) – 目标代数。

返回:

父代 frozen trials 列表。如果 generation == 0，则返回空列表。

返回类型:

list[FrozenTrial]

get_population(study, generation)

获取给定代数的种群。

参数:

• study (Study) – 目标 study 对象。

• generation (int) – 目标代数。

返回:

给定代数的 frozen trials 列表。

返回类型:

list[FrozenTrial]

get_trial_generation(study, trial)

获取给定 trial 的代数。

此方法返回指定 trial 的代数。如果 trial 的系统属性中未设置代数，它将计算并设置代数。

当前代数取决于所有已完成 trial 的最大代数。

参数:

• study (Study) – trial 所属的 study 对象。

• trial (FrozenTrial) – 要获取代数的 trial 对象。

返回:

给定 trial 的代数。

返回类型:

int

infer_relative_search_space(study, trial)

为目标试验推断将使用的搜索空间。

此方法在调用 sample_relative() 方法之前调用，并且此方法返回的搜索空间将传递给它。未包含在搜索空间中的参数将使用 sample_independent() 方法进行采样。

参数:

• study (Study) – 目标研究对象。

• trial (FrozenTrial) – 目标试验对象。修改此对象前请先复制。

返回:

包含参数名称和参数分布的字典。

返回类型:

dict[str, BaseDistribution]

另请参阅

请参阅 intersection_search_space() 作为 infer_relative_search_space() 的实现。

reseed_rng()

重新设置采样器的随机数生成器。

如果试验与 n_jobs>1 选项并行执行，则 Study 实例将调用此方法。在这种情况下，采样器实例将被复制，包括随机数生成器的状态，并且它们可能会建议相同的值。为防止此问题，此方法为每个随机数生成器分配不同的种子。

返回类型:

无

sample_independent(study, trial, param_name, param_distribution)

为给定的分布采样一个参数。

此方法仅对未包含在 sample_relative() 方法返回的搜索空间中的参数进行调用。此方法适用于不使用参数之间关系的采样算法，例如随机采样和 TPE。

注意

任何内置采样器在采样新参数时都会忽略失败的试验。因此，在采样器看来，失败的试验被视为已删除。

参数:

• study (Study) – 目标研究对象。

• trial (FrozenTrial) – 目标试验对象。修改此对象前请先复制。

• param_name (str) – 采样参数的名称。

• param_distribution (BaseDistribution) – 指定采样算法先验和/或尺度的分布对象。

返回:

参数值。

返回类型:

Any

sample_relative(study, trial, search_space)

在给定的搜索空间中采样参数。

此方法在每次试验开始时调用一次，即在评估目标函数之前。此方法适用于使用参数之间关系的采样算法，例如高斯过程和 CMA-ES。

注意

任何内置采样器在采样新参数时都会忽略失败的试验。因此，在采样器看来，失败的试验被视为已删除。

参数:

• study (Study) – 目标研究对象。

• trial (FrozenTrial) – 目标试验对象。修改此对象前请先复制。

• search_space (dict[str, BaseDistribution]) – 由 infer_relative_search_space() 返回的搜索空间。

返回:

包含参数名称和值的字典。

返回类型:

dict[str, Any]

select_parent(study, generation)

从给定代数的种群中选择父代 trial。

此方法在每一代调用一次，用于从当前代种群中选择父代。

此函数的输出将缓存到 study 的系统属性中。

此方法必须在子类中实现，以定义特定的选择策略。

参数:

• study (Study) – 目标研究对象。

• generation (int) – 目标代数。

返回:

父代 frozen trials 列表。

返回类型:

list[FrozenTrial]