[[403805]]

本文轉(zhuǎn)載自微信公眾號「Python中文社區(qū)」，作者沂水寒城。轉(zhuǎn)載本文請聯(lián)系Python中文社區(qū)公眾號。

迭代局部搜索是一種隨機全局優(yōu)化算法。它涉及將本地搜索算法重復(fù)應(yīng)用于先前找到的好的解決方案的修改版本。這樣，它就像是具有隨機重啟算法的隨機爬山的巧妙版本。

該算法背后的直覺是，隨機重新啟動可以幫助找到問題中的許多局部最優(yōu)值，并且更好的局部最優(yōu)值通常接近于其他局部最優(yōu)值。因此，對現(xiàn)有局部最優(yōu)值的適度擾動可能會為優(yōu)化問題找到更好甚至最好的解決方案。

在本教程中，您將發(fā)現(xiàn)如何從頭開始實現(xiàn)迭代的本地搜索算法。完成本教程后，您將知道：

• 迭代本地搜索是一種隨機全局搜索優(yōu)化算法，它是具有隨機重啟功能的隨機爬山的更智能版本。
• 如何從頭開始隨機重啟隨機爬山。
• 如何實現(xiàn)并將迭代的局部搜索算法應(yīng)用于非線性目標(biāo)函數(shù)。

教程概述

本教程分為五個部分。他們是：

• 什么是迭代本地搜索
• 客觀目標(biāo)函數(shù)
• 隨機爬山算法
• 隨機重新開始的隨機爬山
• 迭代局部搜索算法

什么是迭代本地搜索

迭代本地搜索(簡稱ILS)是一種隨機的全局搜索優(yōu)化算法。它與隨機爬山和隨機爬山隨機開始有關(guān)。

隨機爬山是一種本地搜索算法，它涉及對現(xiàn)有解決方案進(jìn)行隨機修改，并且僅當(dāng)修改產(chǎn)生比當(dāng)前工作解決方案更好的結(jié)果時，才接受修改。

通常，本地搜索算法會陷入本地最優(yōu)狀態(tài)。解決此問題的一種方法是從新的隨機選擇的起點重新開始搜索。重新啟動過程可以執(zhí)行多次，也可以在固定數(shù)量的功能評估之后觸發(fā)，或者在給定數(shù)量的算法迭代中看不到進(jìn)一步的改善時，可以觸發(fā)重新啟動過程。該算法稱為隨機重新啟動的隨機爬山。

迭代的本地搜索類似于具有隨機重啟的隨機爬坡，除了不是為每次重啟選擇隨機的起點，而是根據(jù)迄今為止在更廣泛的搜索中找到的最佳點的修改版本來選擇一個點。到目前為止，最佳解決方案的擾動就像是搜索空間中向新區(qū)域的大幅躍遷，而隨機爬山算法產(chǎn)生的擾動要小得多，僅限于搜索空間的特定區(qū)域。這允許在兩個級別上執(zhí)行搜索。爬山算法是一種本地搜索，用于從特定的候選解決方案或搜索空間區(qū)域中獲取最大收益，并且重新啟動方法允許探索搜索空間的不同區(qū)域。這樣，迭代局部搜索算法可在搜索空間中探索多個局部最優(yōu)，從而增加了定位全局最優(yōu)的可能性。盡管可以通過在搜索空間中使用不同的步長將其應(yīng)用于連續(xù)功能優(yōu)化，但迭代局部搜索是針對組合優(yōu)化問題(如旅行推銷員問題(TSP))提出的：爬坡的步幅較小，爬坡的步幅較大隨機重啟。既然我們熟悉了迭代本地搜索算法，那么讓我們探索如何從頭開始實現(xiàn)該算法。

客觀目標(biāo)函數(shù)

首先，讓我們定義一個渠道優(yōu)化問題，作為實現(xiàn)“迭代本地搜索”算法的基礎(chǔ)。Ackley函數(shù)是多模式目標(biāo)函數(shù)的一個示例，該函數(shù)具有單個全局最優(yōu)值和多個局部最優(yōu)值，可能會卡住局部搜索。因此，需要全局優(yōu)化技術(shù)。這是一個二維目標(biāo)函數(shù)，其全局最佳值為[0,0]，其值為0.0。下面的示例實現(xiàn)了Ackley，并創(chuàng)建了一個三維表面圖，顯示了全局最優(yōu)值和多個局部最優(yōu)值。

# ackley multimodal function 
from numpy import arange 
from numpy import exp 
from numpy import sqrt 
from numpy import cos 
from numpy import e 
from numpy import pi 
from numpy import meshgrid 
from matplotlib import pyplot 
from mpl_toolkits.mplot3d import Axes3D 
  
# objective function 
def objective(x, y): 
 return -20.0 * exp(-0.2 * sqrt(0.5 * (x**2 + y**2))) - exp(0.5 * (cos(2 * pi * x) + cos(2 * pi * y))) + e + 20 
  
# define range for input 
r_min, r_max = -5.0, 5.0 
# sample input range uniformly at 0.1 increments 
xaxis = arange(r_min, r_max, 0.1) 
yaxis = arange(r_min, r_max, 0.1) 
# create a mesh from the axis 
x, y = meshgrid(xaxis, yaxis) 
# compute targets 
results = objective(x, y) 
# create a surface plot with the jet color scheme 
figure = pyplot.figure() 
axis = figure.gca(projection='3d') 
axis.plot_surface(x, y, results, cmap='jet') 
# show the plot 
pyplot.show() 

運行示例將創(chuàng)建Ackley函數(shù)的表面圖，以顯示大量的局部最優(yōu)值。

我們將以此為基礎(chǔ)來實現(xiàn)和比較簡單的隨機爬山算法，隨機重啟的隨機爬山算法以及最終迭代的本地搜索。我們希望隨機爬山算法容易陷入局部極小值。我們希望隨機爬山并重新啟動可以找到許多本地最小值，并且如果配置得當(dāng)，我們希望迭代本地搜索比任何一種方法在此問題上的執(zhí)行效果都更好。

隨機爬山算法

迭代本地搜索算法的核心是本地搜索，在本教程中，我們將為此目的使用隨機爬山算法。隨機爬山算法涉及到首先生成一個隨機的起點和當(dāng)前的工作解決方案，然后生成當(dāng)前工作解決方案的擾動版本，如果它們優(yōu)于當(dāng)前的工作解決方案，則接受它們。假設(shè)我們正在研究連續(xù)優(yōu)化問題，則解決方案是目標(biāo)函數(shù)要評估的值的向量，在這種情況下，該向量是二維空間中以-5和5為邊界的點。我們可以通過以均勻的概率分布對搜索空間進(jìn)行采樣來生成隨機點。例如：

# generate a random point in the search space 
solution = bounds[:, 0] + rand(len(bounds)) * (bounds[:, 1] - bounds[:, 0]) 

我們可以使用高斯概率分布，當(dāng)前解決方案中當(dāng)前值的平均值以及由超參數(shù)控制的標(biāo)準(zhǔn)偏差來生成當(dāng)前正在工作的解決方案的擾動版本，該超參數(shù)控制允許搜索從當(dāng)前工作解決方案進(jìn)行多遠(yuǎn)的探索。

我們將此超參數(shù)稱為“ step_size”，例如：

# generate a perturbed version of a current working solution 
candidate = solution + randn(len(bounds)) * step_size 

重要的是，我們必須檢查生成的解決方案是否在搜索空間內(nèi)。

這可以通過一個名為in_bounds()的自定義函數(shù)來實現(xiàn)，該函數(shù)采用候選解和搜索空間的邊界，如果該點位于搜索空間中，則返回True，否則返回False。

# check if a point is within the bounds of the search 
def in_bounds(point, bounds): 
 # enumerate all dimensions of the point 
 for d in range(len(bounds)): 
  # check if out of bounds for this dimension 
  if point[d] < bounds[d, 0] or point[d] > bounds[d, 1]: 
   return False 
 return True 

然后可以在爬坡期間調(diào)用此函數(shù)，以確認(rèn)新點在搜索空間的邊界內(nèi)，如果沒有，則可以生成新點。

結(jié)合在一起，下面的函數(shù)hillclimbing()實現(xiàn)了隨機爬山局部搜索算法。它以目標(biāo)函數(shù)的名稱，問題的范圍，迭代次數(shù)和步長為參數(shù)，并返回最佳解決方案及其評估。

# hill climbing local search algorithm 
def hillclimbing(objective, bounds, n_iterations, step_size): 
 # generate an initial point 
 solution = None 
 while solution is None or not in_bounds(solution, bounds): 
  solution = bounds[:, 0] + rand(len(bounds)) * (bounds[:, 1] - bounds[:, 0]) 
 # evaluate the initial point 
 solution_eval = objective(solution) 
 # run the hill climb 
 for i in range(n_iterations): 
  # take a step 
  candidate = None 
  while candidate is None or not in_bounds(candidate, bounds): 
   candidate = solution + randn(len(bounds)) * step_size 
  # evaluate candidate point 
  candidte_eval = objective(candidate) 
  # check if we should keep the new point 
  if candidte_eval <= solution_eval: 
   # store the new point 
   solution, solution_eval = candidate, candidte_eval 
   # report progress 
   print('>%d f(%s) = %.5f' % (i, solution, solution_eval)) 
 return [solution, solution_eval] 

我們可以在Ackley函數(shù)上測試該算法。

我們將為偽隨機數(shù)生成器固定種子，以確保每次運行代碼時都得到相同的結(jié)果。

該算法將運行1,000次迭代，步長為0.05個單位。經(jīng)過一些反復(fù)試驗后，才選擇了這兩個超參數(shù)。

運行結(jié)束時，我們將報告找到的最佳解決方案。

# seed the pseudorandom number generator 
seed(1) 
# define range for input 
bounds = asarray([[-5.0, 5.0], [-5.0, 5.0]]) 
# define the total iterations 
n_iterations = 1000 
# define the maximum step size 
step_size = 0.05 
# perform the hill climbing search 
best, score = hillclimbing(objective, bounds, n_iterations, step_size) 
print('Done!') 
print('f(%s) = %f' % (best, score)) 

結(jié)合在一起，下面列出了將隨機爬山算法應(yīng)用于Ackley目標(biāo)函數(shù)的完整示例。

# hill climbing search of the ackley objective function 
from numpy import asarray 
from numpy import exp 
from numpy import sqrt 
from numpy import cos 
from numpy import e 
from numpy import pi 
from numpy.random import randn 
from numpy.random import rand 
from numpy.random import seed 
  
# objective function 
def objective(v): 
 x, y = v 
 return -20.0 * exp(-0.2 * sqrt(0.5 * (x**2 + y**2))) - exp(0.5 * (cos(2 * pi * x) + cos(2 * pi * y))) + e + 20 
  
# check if a point is within the bounds of the search 
def in_bounds(point, bounds): 
 # enumerate all dimensions of the point 
 for d in range(len(bounds)): 
  # check if out of bounds for this dimension 
  if point[d] < bounds[d, 0] or point[d] > bounds[d, 1]: 
   return False 
 return True 
  
# hill climbing local search algorithm 
def hillclimbing(objective, bounds, n_iterations, step_size): 
 # generate an initial point 
 solution = None 
 while solution is None or not in_bounds(solution, bounds): 
  solution = bounds[:, 0] + rand(len(bounds)) * (bounds[:, 1] - bounds[:, 0]) 
 # evaluate the initial point 
 solution_eval = objective(solution) 
 # run the hill climb 
 for i in range(n_iterations): 
  # take a step 
  candidate = None 
  while candidate is None or not in_bounds(candidate, bounds): 
   candidate = solution + randn(len(bounds)) * step_size 
  # evaluate candidate point 
  candidte_eval = objective(candidate) 
  # check if we should keep the new point 
  if candidte_eval <= solution_eval: 
   # store the new point 
   solution, solution_eval = candidate, candidte_eval 
   # report progress 
   print('>%d f(%s) = %.5f' % (i, solution, solution_eval)) 
 return [solution, solution_eval] 
  
# seed the pseudorandom number generator 
seed(1) 
# define range for input 
bounds = asarray([[-5.0, 5.0], [-5.0, 5.0]]) 
# define the total iterations 
n_iterations = 1000 
# define the maximum step size 
step_size = 0.05 
# perform the hill climbing search 
best, score = hillclimbing(objective, bounds, n_iterations, step_size) 
print('Done!') 
print('f(%s) = %f' % (best, score)) 

運行示例將對目標(biāo)函數(shù)執(zhí)行隨機爬山搜索。搜索過程中發(fā)現(xiàn)的每個改進(jìn)都會報告出來，然后在搜索結(jié)束時報告最佳解決方案。

注意：由于算法或評估程序的隨機性，或者數(shù)值精度的差異，您的結(jié)果可能會有所不同。考慮運行該示例幾次并比較平均結(jié)果。

在這種情況下，我們可以看到搜索過程中約有13處改進(jìn)，最終解決方案約為f(-0.981，1.965)，得出的評估值為5.381，與f(0.0，0.0)= 0相去甚遠(yuǎn)。

>0 f([-0.85618854 2.1495965 ]) = 6.46986 
>1 f([-0.81291816 2.03451957]) = 6.07149 
>5 f([-0.82903902 2.01531685]) = 5.93526 
>7 f([-0.83766043 1.97142393]) = 5.82047 
>9 f([-0.89269139 2.02866012]) = 5.68283 
>12 f([-0.8988359 1.98187164]) = 5.55899 
>13 f([-0.9122303 2.00838942]) = 5.55566 
>14 f([-0.94681334 1.98855174]) = 5.43024 
>15 f([-0.98117198 1.94629146]) = 5.39010 
>23 f([-0.97516403 1.97715161]) = 5.38735 
>39 f([-0.98628044 1.96711371]) = 5.38241 
>362 f([-0.9808789 1.96858459]) = 5.38233 
>629 f([-0.98102417 1.96555308]) = 5.38194 
Done! 
f([-0.98102417 1.96555308]) = 5.381939 

隨機重新開始的隨機爬山

具有隨機重啟功能的隨機爬山算法涉及重復(fù)運行隨機爬山算法并跟蹤找到的最佳解決方案。首先，讓我們修改hillclimbing()函數(shù)以獲取搜索的起點，而不是隨機生成它。這將在以后實現(xiàn)迭代本地搜索算法時有所幫助。

# hill climbing local search algorithm 
def hillclimbing(objective, bounds, n_iterations, step_size, start_pt): 
 # store the initial point 
 solution = start_pt 
 # evaluate the initial point 
 solution_eval = objective(solution) 
 # run the hill climb 
 for i in range(n_iterations): 
  # take a step 
  candidate = None 
  while candidate is None or not in_bounds(candidate, bounds): 
   candidate = solution + randn(len(bounds)) * step_size 
  # evaluate candidate point 
  candidte_eval = objective(candidate) 
  # check if we should keep the new point 
  if candidte_eval <= solution_eval: 
   # store the new point 
   solution, solution_eval = candidate, candidte_eval 
 return [solution, solution_eval] 

接下來，我們可以通過重復(fù)調(diào)用hillclimbing()函數(shù)一定的次數(shù)來實現(xiàn)隨機重啟算法。每次通話時，我們都會為爬山搜索生成一個隨機選擇的新起點。

# generate a random initial point for the search 
start_pt = None 
while start_pt is None or not in_bounds(start_pt, bounds): 
 start_pt = bounds[:, 0] + rand(len(bounds)) * (bounds[:, 1] - bounds[:, 0]) 
# perform a stochastic hill climbing search 
solution, solution_eval = hillclimbing(objective, bounds, n_iter, step_size, start_pt) 

然后，我們可以檢查結(jié)果并將其保留，以使其比我們到目前為止所看到的任何搜索結(jié)果都要好。

# check for new best 
if solution_eval < best_eval: 
 best, best_eval = solution, solution_eval 
print('Restart %d, best: f(%s) = %.5f' % (n, best, best_eval)) 

結(jié)合在一起，random_restarts()函數(shù)實現(xiàn)了具有隨機重啟功能的隨機爬山算法。

# hill climbing with random restarts algorithm 
def random_restarts(objective, bounds, n_iter, step_size, n_restarts): 
 best, best_eval = None, 1e+10 
 # enumerate restarts 
 for n in range(n_restarts): 
  # generate a random initial point for the search 
  start_pt = None 
  while start_pt is None or not in_bounds(start_pt, bounds): 
   start_pt = bounds[:, 0] + rand(len(bounds)) * (bounds[:, 1] - bounds[:, 0]) 
  # perform a stochastic hill climbing search 
  solution, solution_eval = hillclimbing(objective, bounds, n_iter, step_size, start_pt) 
  # check for new best 
  if solution_eval < best_eval: 
   best, best_eval = solution, solution_eval 
   print('Restart %d, best: f(%s) = %.5f' % (n, best, best_eval)) 
 return [best, best_eval] 

然后，我們可以將此算法應(yīng)用于Ackley目標(biāo)函數(shù)。在這種情況下，我們會將隨機重啟的數(shù)量限制為任意選擇的30次。

下面列出了完整的示例。

# hill climbing search with random restarts of the ackley objective function 
from numpy import asarray 
from numpy import exp 
from numpy import sqrt 
from numpy import cos 
from numpy import e 
from numpy import pi 
from numpy.random import randn 
from numpy.random import rand 
from numpy.random import seed 
  
# objective function 
def objective(v): 
 x, y = v 
 return -20.0 * exp(-0.2 * sqrt(0.5 * (x**2 + y**2))) - exp(0.5 * (cos(2 * pi * x) + cos(2 * pi * y))) + e + 20 
  
# check if a point is within the bounds of the search 
def in_bounds(point, bounds): 
 # enumerate all dimensions of the point 
 for d in range(len(bounds)): 
  # check if out of bounds for this dimension 
  if point[d] < bounds[d, 0] or point[d] > bounds[d, 1]: 
   return False 
 return True 
  
# hill climbing local search algorithm 
def hillclimbing(objective, bounds, n_iterations, step_size, start_pt): 
 # store the initial point 
 solution = start_pt 
 # evaluate the initial point 
 solution_eval = objective(solution) 
 # run the hill climb 
 for i in range(n_iterations): 
  # take a step 
  candidate = None 
  while candidate is None or not in_bounds(candidate, bounds): 
   candidate = solution + randn(len(bounds)) * step_size 
  # evaluate candidate point 
  candidte_eval = objective(candidate) 
  # check if we should keep the new point 
  if candidte_eval <= solution_eval: 
   # store the new point 
   solution, solution_eval = candidate, candidte_eval 
 return [solution, solution_eval] 
  
# hill climbing with random restarts algorithm 
def random_restarts(objective, bounds, n_iter, step_size, n_restarts): 
 best, best_eval = None, 1e+10 
 # enumerate restarts 
 for n in range(n_restarts): 
  # generate a random initial point for the search 
  start_pt = None 
  while start_pt is None or not in_bounds(start_pt, bounds): 
   start_pt = bounds[:, 0] + rand(len(bounds)) * (bounds[:, 1] - bounds[:, 0]) 
  # perform a stochastic hill climbing search 
  solution, solution_eval = hillclimbing(objective, bounds, n_iter, step_size, start_pt) 
  # check for new best 
  if solution_eval < best_eval: 
   best, best_eval = solution, solution_eval 
   print('Restart %d, best: f(%s) = %.5f' % (n, best, best_eval)) 
 return [best, best_eval] 
  
# seed the pseudorandom number generator 
seed(1) 
# define range for input 
bounds = asarray([[-5.0, 5.0], [-5.0, 5.0]]) 
# define the total iterations 
n_iter = 1000 
# define the maximum step size 
step_size = 0.05 
# total number of random restarts 
n_restarts = 30 
# perform the hill climbing search 
best, score = random_restarts(objective, bounds, n_iter, step_size, n_restarts) 
print('Done!') 
print('f(%s) = %f' % (best, score)) 

運行該示例將執(zhí)行隨機爬山，并隨機重啟以查找Ackley目標(biāo)函數(shù)。每次發(fā)現(xiàn)改進(jìn)的整體解決方案時，都會進(jìn)行報告，并匯總通過搜索找到的最終最佳解決方案。

注意：由于算法或評估程序的隨機性，或者數(shù)值精度的差異，您的結(jié)果可能會有所不同。考慮運行該示例幾次并比較平均結(jié)果。

在這種情況下，我們可以看到搜索過程中的三處改進(jìn)，發(fā)現(xiàn)的最佳解決方案約為f(0.002，0.002)，其評估值為大約0.009，這比單次爬山算法要好得多。

Restart 0, best: f([-0.98102417 1.96555308]) = 5.38194 
Restart 2, best: f([1.96522236 0.98120013]) = 5.38191 
Restart 4, best: f([0.00223194 0.00258853]) = 0.00998 
Done! 
f([0.00223194 0.00258853]) = 0.009978 

接下來，讓我們看看如何實現(xiàn)迭代的本地搜索算法。

迭代局部搜索算法

迭代本地搜索算法是具有隨機重啟算法的隨機爬坡的改進(jìn)版本。重要的區(qū)別在于，隨機爬山算法的每種應(yīng)用的起點都是到目前為止找到的最佳點的一種擾動版本。我們可以通過使用random_restarts()函數(shù)作為起點來實現(xiàn)此算法。每次重新啟動迭代時，我們可以生成到目前為止找到的最佳解決方案的修改版本，而不是隨機的起點。這可以通過使用步長超參數(shù)來實現(xiàn)，就像在隨機爬山者中使用的一樣。在這種情況下，考慮到搜索空間中較大的擾動，將使用較大的步長值。

# generate an initial point as a perturbed version of the last best 
start_pt = None 
while start_pt is None or not in_bounds(start_pt, bounds): 
 start_pt = best + randn(len(bounds)) * p_size 

結(jié)合在一起，下面定義了iterated_local_search()函數(shù)。

# iterated local search algorithm 
def iterated_local_search(objective, bounds, n_iter, step_size, n_restarts, p_size): 
 # define starting point 
 best = None 
 while best is None or not in_bounds(best, bounds): 
  best = bounds[:, 0] + rand(len(bounds)) * (bounds[:, 1] - bounds[:, 0]) 
 # evaluate current best point 
 best_eval = objective(best) 
 # enumerate restarts 
 for n in range(n_restarts): 
  # generate an initial point as a perturbed version of the last best 
  start_pt = None 
  while start_pt is None or not in_bounds(start_pt, bounds): 
   start_pt = best + randn(len(bounds)) * p_size 
  # perform a stochastic hill climbing search 
  solution, solution_eval = hillclimbing(objective, bounds, n_iter, step_size, start_pt) 
  # check for new best 
  if solution_eval < best_eval: 
   best, best_eval = solution, solution_eval 
   print('Restart %d, best: f(%s) = %.5f' % (n, best, best_eval)) 
 return [best, best_eval] 

然后，我們可以將該算法應(yīng)用于Ackley目標(biāo)函數(shù)。在這種情況下，我們將使用較大的步長值1.0進(jìn)行隨機重啟，這是在經(jīng)過反復(fù)試驗后選擇的。

下面列出了完整的示例。

# iterated local search of the ackley objective function 
from numpy import asarray 
from numpy import exp 
from numpy import sqrt 
from numpy import cos 
from numpy import e 
from numpy import pi 
from numpy.random import randn 
from numpy.random import rand 
from numpy.random import seed 
  
# objective function 
def objective(v): 
 x, y = v 
 return -20.0 * exp(-0.2 * sqrt(0.5 * (x**2 + y**2))) - exp(0.5 * (cos(2 * pi * x) + cos(2 * pi * y))) + e + 20 
  
# check if a point is within the bounds of the search 
def in_bounds(point, bounds): 
 # enumerate all dimensions of the point 
 for d in range(len(bounds)): 
  # check if out of bounds for this dimension 
  if point[d] < bounds[d, 0] or point[d] > bounds[d, 1]: 
   return False 
 return True 
  
# hill climbing local search algorithm 
def hillclimbing(objective, bounds, n_iterations, step_size, start_pt): 
 # store the initial point 
 solution = start_pt 
 # evaluate the initial point 
 solution_eval = objective(solution) 
 # run the hill climb 
 for i in range(n_iterations): 
  # take a step 
  candidate = None 
  while candidate is None or not in_bounds(candidate, bounds): 
   candidate = solution + randn(len(bounds)) * step_size 
  # evaluate candidate point 
  candidte_eval = objective(candidate) 
  # check if we should keep the new point 
  if candidte_eval <= solution_eval: 
   # store the new point 
   solution, solution_eval = candidate, candidte_eval 
 return [solution, solution_eval] 
  
# iterated local search algorithm 
def iterated_local_search(objective, bounds, n_iter, step_size, n_restarts, p_size): 
 # define starting point 
 best = None 
 while best is None or not in_bounds(best, bounds): 
  best = bounds[:, 0] + rand(len(bounds)) * (bounds[:, 1] - bounds[:, 0]) 
 # evaluate current best point 
 best_eval = objective(best) 
 # enumerate restarts 
 for n in range(n_restarts): 
  # generate an initial point as a perturbed version of the last best 
  start_pt = None 
  while start_pt is None or not in_bounds(start_pt, bounds): 
   start_pt = best + randn(len(bounds)) * p_size 
  # perform a stochastic hill climbing search 
  solution, solution_eval = hillclimbing(objective, bounds, n_iter, step_size, start_pt) 
  # check for new best 
  if solution_eval < best_eval: 
   best, best_eval = solution, solution_eval 
   print('Restart %d, best: f(%s) = %.5f' % (n, best, best_eval)) 
 return [best, best_eval] 
  
# seed the pseudorandom number generator 
seed(1) 
# define range for input 
bounds = asarray([[-5.0, 5.0], [-5.0, 5.0]]) 
# define the total iterations 
n_iter = 1000 
# define the maximum step size 
s_size = 0.05 
# total number of random restarts 
n_restarts = 30 
# perturbation step size 
p_size = 1.0 
# perform the hill climbing search 
best, score = iterated_local_search(objective, bounds, n_iter, s_size, n_restarts, p_size) 
print('Done!') 
print('f(%s) = %f' % (best, score)) 

運行該示例將對Ackley目標(biāo)函數(shù)執(zhí)行“迭代本地搜索”。

每次發(fā)現(xiàn)改進(jìn)的整體解決方案時，都會進(jìn)行報告，并在運行結(jié)束時匯總通過搜索找到的最終最佳解決方案。

注意：由于算法或評估程序的隨機性，或者數(shù)值精度的差異，您的結(jié)果可能會有所不同?？紤]運行該示例幾次并比較平均結(jié)果。

在這種情況下，我們可以在搜索過程中看到四個改進(jìn)，發(fā)現(xiàn)的最佳解決方案是兩個非常小的輸入，它們接近于零，其估計值為0.0003，這比單次爬山或爬山都要好。登山者重新啟動。

Restart 0, best: f([-0.96775653 0.96853129]) = 3.57447 
Restart 3, best: f([-4.50618519e-04 9.51020713e-01]) = 2.57996 
Restart 5, best: f([ 0.00137423 -0.00047059]) = 0.00416 
Restart 22, best: f([ 1.16431936e-04 -3.31358206e-06]) = 0.00033 
Done! 
f([ 1.16431936e-04 -3.31358206e-06]) = 0.000330