有约束条件的多目标黑盒优化#

本教程介绍如何使用OpenBox解决有约束条件的多目标优化问题。

问题设置#

本例中，我们使用带约束的多目标优化问题 CONSTR 作为例子。 OpenBox内置了CONSTR函数，其搜索空间和目标函数被包装如下：

from openbox.benchmark.objective_functions.synthetic import CONSTR

prob = CONSTR()
dim = 2
initial_runs = 2 * (dim + 1)

import numpy as np
from openbox import space as sp
params = {'x1': (0.1, 10.0),
          'x2': (0.0, 5.0)}
space = sp.Space()
space.add_variables([sp.Real(k, *v) for k, v in params.items()])

def objective_funtion(config: sp.Configuration):
    X = np.array(list(config.get_dictionary().values()))

    result = dict()
    obj1 = X[..., 0]
    obj2 = (1.0 + X[..., 1]) / X[..., 0]
    result['objectives'] = np.stack([obj1, obj2], axis=-1)

    c1 = 6.0 - 9.0 * X[..., 0] - X[..., 1]
    c2 = 1.0 - 9.0 * X[..., 0] + X[..., 1]
    result['constraints'] = np.stack([c1, c2], axis=-1)

    return result

在评估后，目标函数需要返回一个 dict (推荐) 其中的结果包含：

  • 'objectives'：一个 要被最小化目标值 的 列表/元组。 在这个例子中，我们只有一个目标，所以这个元组只包含一个值。

  • 'constraints'：一个含有 约束值 的 列表/元组。 非正的约束值 (“<=0”) 表示可行。

优化#

from openbox import Optimizer
opt = Optimizer(
    prob.evaluate,
    prob.config_space,
    num_objectives=prob.num_objectives,
    num_constraints=prob.num_constraints,
    max_runs=100,
    surrogate_type='gp',                # try using 'auto'!
    acq_type='ehvic',                   # try using 'auto'!
    acq_optimizer_type='random_scipy',  # try using 'auto'!
    initial_runs=initial_runs,
    init_strategy='sobol',
    ref_point=prob.ref_point,
    task_id='moc',
    random_state=1,
    # Have a try on the new HTML visualization feature!
    # visualization='advanced',   # or 'basic'. For 'advanced', run 'pip install "openbox[extra]"' first
    # auto_open_html=True,        # open the visualization page in your browser automatically
)
history = opt.run()

这里我们创建一个 Optimizer 实例，并传入目标函数和搜索空间。 其它的参数是：

  • num_objectives 和 num_constraints 设置目标函数将返回多少目标和约束。在这个例子中，num_objectives=2，num_constraints=2。

  • max_runs=100 表示优化会进行100轮（优化目标函数100次）。

  • surrogate_type='gp' 对于数学问题，我们推荐用高斯过程 ('gp') 做贝叶斯优化的替代模型。 对于实际问题，比如超参数优化（HPO）问题，我们推荐使用随机森林('prf')。 设置为 'auto' 来启用自动化算法选择。

  • acq_type='ehvic' 用 EHVIC(Expected Hypervolume Improvement with Constraint) 作为贝叶斯优化的acquisition function。 设置为 'auto' 来启用自动化算法选择。

  • acq_optimizer_type='random_scipy' 对于数学问题，我们推荐用 'random_scipy' 作为贝叶斯优化的acquisition function。 对于实际问题，比如超参数优化（HPO）问题，我们推荐使用 'local_random' 。 设置为 'auto' 来启用自动化算法选择。

  • initial_runs 设置在优化循环之前，init_strategy推荐使用的配置数量。

  • init_strategy='sobol' 设置建议初始配置的策略。

  • ref_point 指定参考点，它是用于计算超体积的目标的上限。 如果使用EHVI方法，则必须提供参考点。 在实践中，可以1）使用领域知识将参考点设置为略差于目标值的上界，其中上界是每个目标感兴趣的最大可接受值，或者2）使用动态的参考点选择策略。

  • task_id 用来识别优化过程。

  • visualization: 'none'， 'basic' 或 'advanced'。 详见 可视化网页。

  • auto_open_html: 是否自动在浏览器中打开可视化网页。 详见 可视化网页。

然后，调用 opt.run() 启动优化过程。

可视化#

由于我们同时优化了这两个目标，我们得到了一个帕累托前沿(pareto front)作为结果。 调用 opt.get_history().plot_pareto_front() 来绘制帕累托前沿。 请注意，plot_pareto_front只在目标数为2或3时可用。

import matplotlib.pyplot as plt

history = opt.get_history()
# plot pareto front
if history.num_objectives in [2, 3]:
    history.plot_pareto_front()  # support 2 or 3 objectives
    plt.show()
../_images/plot_pareto_front_constr.png

然后绘制优化过程中与理想帕累托前沿相比的hypervolume差。

# plot hypervolume (optimal hypervolume of CONSTR is approximated using NSGA-II)
history.plot_hypervolumes(optimal_hypervolume=92.02004226679216, logy=True)
plt.show()
../_images/plot_hypervolume_constr.png

(新功能!) 调用 history.visualize_html() 来显示可视化网页。 对于 show_importance 和 verify_surrogate，需要先运行 pip install "openbox[extra]"。 详细说明请参考 可视化网页。

history.visualize_html(open_html=True, show_importance=True,
                       verify_surrogate=True, optimizer=opt)
../_images/html_example_moc.jpg