Funciones auxiliares y funciones de prueba.

Funciones de prueba

En esta sección se describe los problemas de optimización continua implementados, estos se encuentran en:

import pyristic.utils.test_function as pcTest

La representación de las funciones implementadas es en un diccionario con las siguientes llaves:

• function: La función a optimizar.
• constraints: Restricciones del problema.
• bounds: Límites para cada una de las variables del problema. Si nuestro problema todas las variables están en el mismo rango podemos expresarlo en un solo arreglo con el límite inferio y límite superior, sino, deben ser dos arreglos, expresando los límites inferiores y límites superiores.
• decision_variables: El número de variables del problema.

Observaciones

• Las metaheurísticas descritas de la librería son para resolver problemas de minimización, entonces, se debe convertir el problema, es decir, \(max \{ f(x) \}= min \{ -f(x)\}\)

• Las llaves señaladas, son importantes al momento de ser llamadas por la metaheurística. Se debe emplear las mismas llaves.

Las funciones prueba que están actualmente son:

• beale_
• ackley_
• himmelblau_
• bukin_

Para mayor información, puedes revisar las funciones prueba en wikipedia.

Evaluando nuestra metaheurística

Pyristic cuenta con una función auxiliar get_stats para evaluar la eficacia de nuestro algoritmo al encontrar soluciones buenas.

La podemos importar de la siguiente manera:

from pyristic.utils.helpers import  get_stats

Los parámetros son:

• optimizer: Nuestro objeto creado para resolver el problema (metaheurística).
• NIter: Número de ejecuciones de nuestro objeto.
• OptArgs: Una tupla con los parámetros de nuestro algoritmo (al momento de ejecutar el método optimize).
• ExternOptArgs: Diccionario con los argumentos incluidos al momento de sobreescribir alguno de los métodos en la metaheurística desarrollada, por defecto es un diccionario vacio.
• transformer: Función que se aplicará a la solución obtenida por cada ejecución de la metaheuristica. En el caso de los algoritmos evolutivos, nos retorna el valor resultante de la función objetivo.

Ejemplo utilizando get_stats

from pyristic.heuristic.EvolutionStrategy_search import EvolutionStrategy
import pyristic.utils.test_function as pcTest
from pyristic.utils.helpers import  get_stats
from pprint import pprint

Beale = EvolutionStrategy(**pcTest.beale_)
args = (200, 80, 160, False)
statistics = get_stats(Beale, 21, args)
pprint(statistics)