metaheuristics-nature

自然启发式元算法集合。该crate提供目标函数特质、常用方法和工具函数，以实现您的搜索方法。

该crate实现了以下算法

• 实数编码遗传算法 (RGA)
• 差分进化 (DE)
• 粒子群优化 (PSO)
• 萤火虫算法 (FA)
• 教学-学习优化 (TLBO)

辅助函数

• 可并行种子随机数生成器 (RNG)
  • 此RNG在单线程和多线程编程中可重现。
• 多目标优化 (MOO) 的Pareto前沿
  • 您可以在目标函数中返回多个适应度值。
  • 所有适应度值将找到历史最佳解集。

每个算法都提供相同的API和默认参数，以帮助您测试不同的实现。例如，您可以通过将 Rga 替换为 De 来测试另一个算法。

use metaheuristics_nature as mh;

let mut report = Vec::with_capacity(20);

// Build and run the solver
let s = mh::Solver::build(mh::Rga::default(), mh::tests::TestObj)
    .seed(0)
    .task(|ctx| ctx.gen == 20)
    .callback(|ctx| report.push(ctx.best.get_eval()))
    .solve();
// Get the optimized XY value of your function
let (xs, p) = s.as_best();
// If `p` is a `WithProduct` type wrapped with the fitness value
let err = p.ys();
let result = p.as_result();
// Get the history reports
let y2 = &report[2];

可以解决哪些类型的问题？

如果您的可以通过函数 f 进行模拟和评估，则优化方法可以有效地找到最佳设计！🚀

假设您的模拟可以用函数 f 进行，通过输入参数 X 和评估值 y，则优化方法将尝试调整 X={x0, x1, ...} 以获得最小的 y。它们之间的关系可以写成 f(X) = y。

X 的参数数量称为 "维度"。想象一下 X 是多维坐标，而 y 是 "点" 的权重。如果维度增加，问题将更具挑战性。

“元启发式”算法使用多个点来寻找最小值，它检测了最可行解的局部梯度，并远离局部最优解，即使梯度或可行区域未知。

请参阅API文档以获取更多信息。

基于梯度的方法

对于更简单的函数，例如，如果已知一阶导数函数，建议使用基于梯度的方法以获得最快的速度。例如 OSQP。