首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >用Python跑懂MMAO,从安装到五种子验证

用Python跑懂MMAO,从安装到五种子验证

原创
作者头像
用户4859102
发布于 2026-11-17 12:33:31
发布于 2026-11-17 12:33:31
310
举报

安装优化算法之后,最值得做的第一件事,是选一个自己知道答案的小问题。这样可以同时检查目标函数、输入范围、返回结果,以及程序实际进行了多少次尝试。

本教程使用mmao-opt==1.0.1,求解一个两参数问题,再导出搜索历史、尝试多个随机种子。下面的Python代码已在Python 3.12隔离环境中用PyPI发布版完整运行核对;使用其他版本时,接口和默认配置应结合对应文档检查。

先让目标函数接受手算检查

目标很简单,第一个参数接近1.5,第二个参数接近负0.5,将两项偏差平方后相加。最优位置为[1.5, -0.5],目标值为0。

[0, 0]的目标值为2.5,[1, 0]的目标值为0.5。先核对这些位置,再让优化器搜索,可以更早发现变量顺序和目标方向的问题。

使用Python 3.10或更高版本,在选定的Python环境中安装固定版本。

代码语言:bash
复制
python -m pip install mmao-opt==1.0.1

把下面代码保存为demo_mmao.py。calls用于统计目标函数调用,能够将搜索轮数与实际评价数量联系起来。

代码语言:python
复制
from time import perf_counter
from mmao import (
    ContinuousProblem,
    MMAOContinuousConfig,
    optimize_continuous,
    __version__,
)

calls = 0

def objective(x):
    global calls
    calls += 1
    return (x[0] - 1.5) ** 2 + (x[1] + 0.5) ** 2

assert objective([0, 0]) == 2.5
assert objective([1.5, -0.5]) == 0.0
calls = 0

problem = ContinuousProblem(
    name="two-variable-demo",
    dimension=2,
    bounds=[(-5, 5), (-5, 5)],
    objective=objective,
)
config = MMAOContinuousConfig(iterations=40, seed=7)
started = perf_counter()
result = optimize_continuous(problem, config)
elapsed = perf_counter() - started

assert result["nfev"] == calls

print("version:", __version__)
print("position:", result["best_position"])
print("objective:", result["best_fitness"])
print("evaluations:", result["nfev"])
print("seconds:", round(elapsed, 4))

然后运行它。

代码语言:bash
复制
python demo_mmao.py

在mmao-opt==1.0.1的核对运行中,位置约为[1.5542, -0.4497],目标值约为0.00547,目标函数共调用1397次。这对应40轮、种子7的教程配置。nfev是新版结果中记录的评价次数,断言会将它与目标函数入口的手工计数相互核对。耗时受计算机与环境影响,运行时可以连同Python版本和包版本一起保存。

best_position是返回的位置,best_fitness是对应目标值。与已知答案比较,两项参数已接近目标,但仍有进一步细化空间。

安装环境与运行环境怎样对应

电脑上可能同时存在系统Python、虚拟环境和编辑器选中的解释器。安装命令使用哪一个Python,运行脚本时也应使用对应解释器。可以先在终端查看版本与包信息,再在编辑器中确认运行配置,减少包已经安装却无法导入的情况。

如果希望单独保存教程环境,可以先创建虚拟环境,再用其中的Python安装固定版本。Windows环境中的解释器通常位于虚拟环境的Scripts目录,其他系统则采用相应位置。运行安装命令时明确使用该解释器,能够把环境与教程记录对应起来。

本教程固定包版本,是为了让接口、默认配置和输出具有可核对的条件。1.0.1还补充了输入校验、评价预算和运行元数据,并修正了连续优化最好结果的归档。以后切换版本时,可以重新运行同一个小问题,检查配置字段、返回结构和目标评价次数。这样更容易发现版本变化对使用方式的影响。

代码里的输入怎样对应到问题

dimension=2表示候选包含两个数,bounds分别给出两项范围。objective接受这一数值序列并返回需要最小化的目标。真实问题也可以按相同思路定义,但应先明确每一项变量的单位、范围和可行条件。

两个断言检查的是目标函数本身。第一个确认原点的偏差平方和为2.5,第二个确认已知最优位置返回0。它们会调用目标函数,因此代码随后将计数归零,让打印的调用数只统计正式搜索阶段。

配置中的40轮与种子7规定了这次运行的条件。种子帮助复查随机过程,轮数规定外层搜索长度。其他默认参数仍然参与候选、资源和种群更新,正式比较时可以把完整配置保存下来。

计时从优化调用前开始,到调用结束停止,覆盖这次搜索的执行时间。导入库、安装包和后续写文件的时间各有用途,是否计入应用成本需要说明。本教程打印的时间只对应这段明确范围。

怎样检查返回位置与评分一致

得到位置之后,可以用原始目标表达式重新计算。把返回的两项数值分别减去1.5和负0.5,再将平方相加,应与返回目标值一致。若明显不一致,就需要检查变量顺序、单位和使用的目标函数。

也可以逐项查看偏差。这里的位置分别接近目标,但距离精确答案仍有差距。若业务要求每项误差在一定范围以内,可以直接根据位置核对,或推导一个足够的目标阈值。这样,输出就对应到具体使用要求。

为什么40轮会调用目标函数很多次

公开连续实现中,一个个体会进行正、反两侧试探,再评价一个组合候选。轮末新增的个体也需要评价,种群数量还会变化。因此,实际调用次数需要由程序统计。

MMAO的控制循环与任务接口
MMAO的控制循环与任务接口

图1 期刊论文对应项目中的MMAO架构,帮助定位候选生成、评价与资源反馈。

前面的objective位于图1的评价环节。换成业务函数时,可以在这里计算方案成本、调用仿真或执行模型训练。记录单次评价时间,有助于判断优化开销主要来自业务评价还是搜索控制。

目标函数还应在允许范围内返回有限数值。若某些输入会导致计算失败,应先明确定义可行域和失败处理,再接入长时间搜索。

调用计数能帮助发现什么

本次示例在40轮内调用目标1397次,平均每轮包含多次评价。这个平均值还混合了初始化、普通候选和新增个体,因此进一步分析时可以给不同调用路径分别标记,观察成本集中在哪里。

如果把目标替换成一次需要训练模型的过程,每次调用的耗时可能比示例大很多。可以先测量少量代表性输入,再估计预算。这样能够在完整搜索之前判断运行规模是否合适,也能设置合理的外部终止条件。

目标函数中若包含随机训练、外部请求或文件读取,还应保存相关条件。同一个数值位置可能因为评价过程变化而得到不同结果,资源反馈也会接收到这种波动。固定或记录评价随机性,可以让调试更清楚。

对于有缓存的目标,还要说明计数含义。一次函数入口调用可能命中缓存,真正执行昂贵计算的次数则更少。可以分别记录请求次数与实际评价次数,解释搜索动作和真实开销之间的联系。

什么时候适合增加轮数

增加轮数可以提供更多搜索机会,但效果要从历史中判断。如果目标仍在持续下降,可以观察额外预算是否继续带来收益。若很早进入平台,则先检查动作尺度、边界与角色变化,再决定怎样追加投入。

本次种子7在第10轮附近已经得到较低目标,之后到第40轮保持相近水平。这个小例子展示了目标进入平台后,末期状态仍然持续变化的过程。可以对照公共池和种群,检查后续尝试采用了怎样的安排。

如果希望更精确地理解某次停滞,可以缩短运行并打印单个个体的候选位置、目标和接受结果。候选是否足够接近当前好区域,是否频繁落在边界,以及是否重复产生相同位置,都能从细记录中查到。

把一次运行导出成可以查看的记录

在同一个demo_mmao.py末尾追加以下代码,会生成mmao_history.csv,用表格软件即可打开。

代码语言:python
复制
import csv

history = result["history"]
with open("mmao_history.csv", "w", newline="", encoding="utf-8-sig") as handle:
    writer = csv.DictWriter(handle, fieldnames=list(history[0]))
    writer.writeheader()
    writer.writerows(history)

for row in history[::10]:
    print(
        row["iteration"],
        round(row["best_fitness"], 6),
        row["population"],
        round(row["resource_pool"], 3),
        round(row["mean_role"], 3),
    )

在表格中,先用iteration与best_fitness画目标曲线,再分别查看population、resource_pool和mean_role。1.0.1还记录了累计评价次数nfev、success_rate与total_private_energy,可用于继续跟踪评价预算和内部反馈。

本次运行第10轮时目标已约为0.005468,到第40轮仍保持这一水平。同期种群从14降到7,平均角色降到0附近。这显示后续状态仍在调整,目标却进入了平台,适合继续检查动作尺度与后期细化。

论文中的连续优化机制记录
论文中的连续优化机制记录

图2 框架论文的二维Rastrigin轨迹,展示目标、种群、公共资源池和角色等记录的读法。

图2使用Rastrigin任务,教程运行使用两参数平方偏差目标,两者应分别解释。图中约70轮附近目标发生明显改善,之后长时间接近零,但种群与公共池仍有变化。导出自己的历史后,也可以找出类似区间,检查目标停滞时内部仍在做什么。

CSV里的每一列应该怎样读

iteration表示记录对应的轮次,初始状态也占一条记录。nfev表示截至该行累计完成的目标评价次数,best_fitness描述当前已保存的最好目标,population记录活动个体数量,resource_pool记录公共储备,mean_role则汇总角色状态。

可以先画目标与轮次的关系,找到快速改善和平台区间。随后在同一时间段查看种群和公共池,判断状态变化是否集中在这些阶段。将几列放在同一张表中对照,能够避免只根据单独曲线猜测原因。

success_rate与total_private_energy还能继续解释收益和维持状态。成功率下降时,可能有更多候选无法改善。私有能量变化则受奖励、支出与个体更替共同影响。若需要区分这些原因,可以再保存个体级更新。

CSV使用带字节顺序标记的UTF-8编码,便于常见表格软件读取中文或字段内容。每轮一行的形式也适合后续用脚本汇总。保存文件时,可以在文件名或旁边记录中注明问题、版本、配置和种子,避免不同运行互相覆盖。

论文图与教程输出怎样配合阅读

图2的Rastrigin曲线具有多个平台与后续改善,而教程的平方偏差目标更简单。可以借助论文图理解哪些状态值得保存,再用自己的输出检查同类字段。不同任务的曲线形状应按各自目标和配置解释。

例如,论文图中的种群会收缩并短暂增加,公共池也有多次支出。教程中相同字段发生怎样的变化,可以直接从CSV读取。把这些字段对应到源码更新位置之后,就能进一步追踪一次新增或一次角色变化的原因。

如果准备在文章或报告中展示自己的运行,应同时标明所用目标与参数。这样,读者能够区分论文实验与教程检查,并根据完整条件复查结果。已有图提供阅读示范,自己的历史记录则提供当前运行证据。

接着改变种子,观察结果是否稳定

保留目标和边界,在同一文件末尾继续追加。下面为每个种子重新创建配置,并单独统计调用。

代码语言:python
复制
from statistics import mean, stdev

scores = []
for seed in (3, 7, 11, 19, 23):
    calls = 0
    run_result = optimize_continuous(
        problem,
        MMAOContinuousConfig(iterations=40, seed=seed),
    )
    assert run_result["nfev"] == calls
    score = float(run_result["best_fitness"])
    scores.append(score)
    print(seed, round(score, 6), run_result["nfev"])

print("mean:", mean(scores))
print("standard deviation:", stdev(scores))

本次五种子检查中,目标值约在0.002898到0.019938之间,均值约0.009938,样本标准差约0.008483。调用次数在1351到1464之间,同样40轮也会产生不同成本。

这几次运行可以帮助检查小例子的随机波动。若要比较方法,应继续对齐问题、种子、评价预算和停止条件,并保留每次结果。改变迭代数时,也应重新统计调用次数,观察增加的评价究竟换来了多少精度。

五个种子能告诉读者什么

五次运行的目标值存在差别,说明随机初始位置与候选过程影响最终结果。均值概括这组检查,样本标准差描述相应波动。想比较另一配置时,可以使用同样的种子列表,保留每次结果,而只给出最好一次会丢失波动信息。

本次最多与最少评价次数相差113次。种群与新增机会随搜索变化,即使外层轮数一致,实际成本也会不同。因此,多种子汇总可以同时报告目标与调用,观察质量较好的运行是否也花了更多评价。

这组小检查主要帮助熟悉接口与运行行为。正式比较还需要更合适的任务、预算与参照,并在事先确定的协议下重复运行。可以先把当前脚本改成保存每种子的结果,再逐步增加实验内容。

只改一个参数,怎样保留解释能力

假设准备调整局部步长,可以先固定问题、边界、种子与轮数,只改变对应配置项。保存每次目标、调用和历史,再查看平台是否缩短、后期精度是否变化。若同时扩大种群与轮数,就更难解释哪个调整带来作用。

另一个可以检查的参数是初始个体数量。更多初始位置可能增加覆盖,也会消耗更多评价。比较时应根据研究目标对齐预算,并查看种群后续是否迅速收缩。初始投入与长期活动人数之间的关系,也能从历史记录读取。

若改动使结果变差,可以保留这次配置与输出,回到候选过程检查。变差信息能够帮助定位尺度或资源设置的边界,后续调整也可以基于具体记录继续推进。

怎样观察停滞后的探索是否真的发生

教程的平方偏差目标只有一个最优区域,适合检查接口和精度。要研究突破局部最优,可以换成定义清楚的多峰函数,保存相同的种子与评价预算,并记录候选位置。第3篇的双低谷教学函数就能用于理解跨区域动作。采用该一维函数时,目标读取x[0],将dimension设为1,边界可以设为[(-2, 2)]。

已有history可以展示角色、公共池与种群变化。若要判断哪些候选真正离开当前区域,还需增加位置与候选来源记录,再核对接受结果。只看到平均角色降低,还需要追踪它在动作生成中改变了哪些尺度。

配置试验可以先检查探索尺度,再检查补充个体的来源。一次只改变一项规则,记录跨区域成功次数与评价成本。教程中固定版本的连续实现采用改善接受,因此候选直接跳入更好区域以及新增个体的采样范围,尤其值得检查。

遇到问题时,沿着运行入口排查

出现ModuleNotFoundError,先用运行脚本的同一个python执行python -m pip show mmao-opt,核对包是否装在该解释器中。出现参数或字段错误时,检查实际包版本与教程版本是否一致。

若位置看似合理但目标值异常,直接把返回位置代回目标函数,检查单位和最小化方向。若多次运行很快进入平台,可以先查看边界尺度、试探幅度与角色轨迹,再一次只调整一个参数。只增加迭代数,有时仍会重复缺少收益的尝试。

迁移到自己的任务时,先替换目标函数并手算几个输入,再修改维度和边界。分类、路线等任务需要使用各自的表示与接口。把这个小例子的输入核对、调用计数和历史记录带过去,会更容易判断新任务中的搜索是否有效。

把教程目标替换成自己的问题

先明确输入与输出。假设两项变量分别代表设备参数,目标返回误差或成本,就可以保持相同接口形式。替换之后,先单独评价几个边界点和人工可理解的位置,确认返回值符合业务含义。

随后核对量纲。若一个变量在0到1之间,另一个范围很大,应查看实现怎样根据边界构造尺度。必要时可以在目标接口内定义清楚的归一化与反变换,再保证所有返回位置能正确转换为业务配置。

如果存在联合约束,需要确定生成、修复或评价处理方式。例如两个份额相加不能超过总量,就应记录候选是否合法,以及修复后实际评价了哪个方案。修复与外部调用的成本也可以进入计数。

正式运行前,再用一组较小预算检查整个流程。确认最终位置合法、目标可复算、历史记录完整,然后逐步扩大规模。这样,每次增加计算投入,都建立在已经核对的输入输出之上。

完成一次运行后,可以留下一个简短记录,写明任务、软件环境、配置、种子、最好方案与评价成本。若后续修改包版本或业务目标,就用同样的小问题重新检查入口,再继续开展比较。这个教程脚本由此成为一个可以反复使用的操作起点。

资料来源

原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。

如有侵权,请联系 cloudcommunity@tencent.com 删除。

目录
  • 先让目标函数接受手算检查
    • 安装环境与运行环境怎样对应
    • 代码里的输入怎样对应到问题
    • 怎样检查返回位置与评分一致
  • 为什么40轮会调用目标函数很多次
    • 调用计数能帮助发现什么
    • 什么时候适合增加轮数
  • 把一次运行导出成可以查看的记录
    • CSV里的每一列应该怎样读
    • 论文图与教程输出怎样配合阅读
  • 接着改变种子,观察结果是否稳定
    • 五个种子能告诉读者什么
    • 只改一个参数,怎样保留解释能力
    • 怎样观察停滞后的探索是否真的发生
  • 遇到问题时,沿着运行入口排查
  • 把教程目标替换成自己的问题
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档