Kovaryans Matris Adaptasyonu (CMA-ES) - Kovaryans Matris Adaptasyonu
Covariance Matrix Adaptation Evolution Strategy (CMA-ES) · Ayrıca şöyle bilinir: CMA-ES, Evolution Strategy, Evrimsel Strateji (CMA-ES), self-adapting evolution strategy
Kovaryans Matris Adaptasyonu Evrim Stratejisi'nin kısaltması olan CMA-ES, Hansen ve Ostermeier tarafından 2001 yılında tanıtılan sürekli kara kutu fonksiyonları için modern, türevsiz bir optimize edicidir. Çok değişkenli normal dağılımdan çekilen aday çözümlerin bir popülasyonunu korur ve parametre uzayının daha iyi bölgelerine doğru aramayı yönlendirmek için dağılımın ortalamasını, adım boyutunu ve tam kovaryans matrisini iteratif olarak günceller. Sürekli kara kutu optimizasyonu için fiili standart haline gelmiş ve sinirsel mimari arama ile pekiştirmeli öğrenme politika optimizasyonunda yaygın olarak kullanılmaktadır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
CMA-ES, hedef fonksiyonun sürekli, muhtemelen dışbükey olmayan, çok modlu veya gürültülü olduğu ve gradyan bilgisinin mevcut olmadığı veya hesaplanmasının çok pahalı olduğu durumlarda uygundur. İdeal boyut aralığı kabaca 10 ila 1000 parametredir; 10 boyutun altında daha basit yöntemler genellikle yeterlidir ve 1000'in üzerinde kovaryans matrisinin karesel bellek maliyeti engelleyici olabilir. İstatistiksel anlamda minimum örnek boyutu gereksinimi yoktur - algoritma kendi değerlendirme noktalarını üretir. CMA-ES, hiperparametre ayarlama, sinirsel mimari arama, pekiştirmeli öğrenme politika optimizasyonu ve simülatörün yalnızca kara kutu çıktıları sağladığı mühendislik tasarım problemleri için doğal bir uyumdur.
Güçlü yönler & sınırlılıklar
- Gradyan bilgisi gerektirmez - gürültülü veya simülasyon tabanlı olanlar da dahil olmak üzere herhangi bir çağrılabilir hedef fonksiyon üzerinde çalışır.
- Gradyan içermeyen sabit arama dağılımlarına sahip yöntemleri yenen uzatılmış ve kötü koşullandırılmış arama alanlarında gezinmesini sağlayan kovaryans adaptasyonu yoluyla arama manzarasının yerel eğriliğini öğrenir.
- Hedef fonksiyonun sırayı koruyan dönüşümlerine ve arama uzayının döndürmelerine karşı değişmezdir, bu da onu geniş bir problem geometrisi çeşitliliğinde sağlam hale getirir.
- Orta ila yüksek boyutlu sürekli problemler (10-1000 parametre) için tek bir ayarlanabilir hiperparametre - başlangıç adım boyutu - ile iyi uyum sağlar.
- Boyut sayısına göre karesel bellek ve nesil başına hesaplama maliyeti, boyut azaltma varyantları olmadan kabaca 1000 parametrenin ötesinde uygulanabilirliği sınırlar.
- Yeniden başlatmalar yokluğunda yerel bir optimuma yakınsar; yüksek derecede çok modlu manzaralar için, birden fazla yeniden başlatma (IPOP-CMA-ES veya BIPOP-CMA-ES) gereklidir.
- Ayrık veya kombinatoryal arama alanlarına uygun değildir - yöntem doğası gereği sürekli reel değerli vektörler üzerinde tanımlanmıştır.
SSS
CMA-ES, basit bir genetik algoritmadan nasıl farklıdır?
Klasik bir genetik algoritma bir popülasyonu korur ve sabit operatörlerle çaprazlama ve mutasyon uygular. CMA-ES bunun yerine popülasyonu çok değişkenli normal bir dağılımdan örnekler olarak modeller ve bu dağılımı - ortalamasını, adım boyutunu ve tam kovaryans matrisini - hangi çözümlerin başarılı olduğuna dayanarak sürekli olarak uyarlar. Bu, CMA-ES'nin kayıp manzarasının şeklini öğrenmesini ve sabit operatörlere sahip bir genetik algoritmadan çok daha verimli bir şekilde ilişkili, kötü koşullandırılmış alanlarda gezinmesini sağlar.
CMA-ES küresel optimumu bulmayı garanti eder mi?
Hayır. CMA-ES, tek bir çalıştırmanın yerel bir optimuma yakınsayabileceği anlamında yerel bir arama yöntemidir. Çok modlu manzaralar için, arama uzayının kapsamını iyileştirmek üzere birden fazla bağımsız yeniden başlatma - muhtemelen artan popülasyon boyutlarıyla (IPOP-CMA-ES) - önerilir.
Ayarlanacak en önemli hiperparametre nedir?
Başlangıç adım boyutu sigma, en etkili tek hiperparametredir. İyi bir sezgisel, optimumun başlangıç noktasının kabaca üç sigma içinde yer alacak şekilde ayarlanmasıdır. Popülasyon boyutu ve maksimum değerlendirme sayısı ikincil kontrollerdir; varsayılan popülasyon boyutu formülü (4 + floor(3 * ln(boyut))) pratikte iyi çalışır.
CMA-ES gürültülü hedef fonksiyonları işleyebilir mi?
Evet. CMA-ES yalnızca popülasyondan sıra bilgisi - mutlak fonksiyon değerleri değil - kullandığı için gürültüye nispeten dayanıklıdır. Yüksek derecede gürültülü değerlendirmeler için, popülasyon boyutunu artırmak veya aday başına birden fazla değerlendirmeyi ortalamak dayanıklılığı daha da artırabilir.
Kaynaklar
- Hansen, N. & Ostermeier, A. (2001). Completely Derandomized Self-Adaptation in Evolutionary Strategies. Evolutionary Computation, 9(2), 159-195. DOI: 10.1162/106365601750190398 ↗
- Hansen, N. (2016). The CMA Evolution Strategy: A Tutorial. arXiv:1604.00772. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Covariance Matrix Adaptation Evolution Strategy (CMA-ES). ScholarGate. https://scholargate.app/tr/optimization/evolutionary-strategy
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi OptimizasyonOptimizasyon↔ karşılaştır
- Genetik AlgoritmaOptimizasyon↔ karşılaştır
- Parçacık Sürü Optimizasyonu (PSO)Optimizasyon↔ karşılaştır
- Sağlam OptimizasyonOptimizasyon↔ karşılaştır
- Metamodel Destekli Tasarım - Vekil Tabanlı OptimizasyonOptimizasyon↔ karşılaştır