说明

目的： 为探讨在同一个样本点集下，cma-es算法对$f(x)$拟合效果与分段数的关系，实验记录每个分段方案下cma-es过程的迭代时间，关系矩阵变化过程，计算结果，cpu计算时间等进行对比。
函数：

$ f(x)=10sin0.6x+uniform(-1.5,1.5)gauss(0,5),x \in[-7,7)$ 分段： 为保证每段点数的一致性，通过$f(x)$在定义域内均匀分布300个样本点，段数分别为$PN(partition\ number) \in \{5,10,15,20,25,30\}$，对应CMA问题的求解维度从15至90，每段点数不小于10.
评价函数：

$M1$：分段测试函数的mse；
$M2$：在f1基础上增加间断点连续性判断指标：$\sum_{i=1}^{k} (e^{\Delta Y_i-\alpha}-1)$,其中$\Delta Y_i$ 代表拟合分段函数在间断点处的左右间断点差的绝对值,$\alpha $默认代表$Y$值域范围的$1\%$大小；
$M3$：在f2基础上增加间断点一阶导数评价指标：$\sum_{i=1}^{k}(e^{\frac{\Delta \sigma_i-\beta}{10e}}-1)$,其中$\Delta \sigma_i$代表左右间断点处的左右导数的$arctan$差的绝对值，$\beta$如未特殊说明全局默认为10度($\frac {\pi}{18}$)；

实验

迭代次数与分段数关系图表



In [1]:

    
import makeData as md
%pylab inline
plt.rc('figure', figsize=(16, 9))
X=md.loadData('result.tl')









    



Populating the interactive namespace from numpy and matplotlib



In [2]:

    
import numpy as np
import pandas as pd
b=[]
for i in range(5,35,5):
    temp=[]
    for j in range(3):
        temp.append(X[i][j]['iter'])
    b.append(temp)
bs=np.array(b).T
ind=range(5,35,5)
d={'M1':pd.Series(bs[0],index=ind),
   'M2':pd.Series(bs[1],index=ind),
   'M3':pd.Series(bs[2],index=ind)}
df = pd.DataFrame(d)
df.columns.name='function'
df.index.name='partition'
df



In [3]:

    
df.plot(kind='bar',fontsize=20)
leg = plt.gca().get_legend()
ltext  = leg.get_texts()
plt.setp(ltext, fontsize='20')
plt.title("iteration counts",fontsize=16)
df.plot()
leg = plt.gca().get_legend()
ltext  = leg.get_texts()
plt.setp(ltext, fontsize='20')
plt.title("iteration counts",fontsize=16)









    Out[3]:





<matplotlib.text.Text at 0x109768750>

cpu计算耗时与分段数关系图表



In [4]:

    
b=[]
for i in range(5,35,5):
    temp=[]
    for j in range(3):
        temp.append(X[i][j]['time'])
    b.append(temp)
bs=np.array(b).T
ind=range(5,35,5)
d={'M1':pd.Series(bs[0],index=ind),
   'M2':pd.Series(bs[1],index=ind),
   'M3':pd.Series(bs[2],index=ind)}
df = pd.DataFrame(d)
df.columns.name='function'
df.index.name='partition'
df



In [5]:

    
df.plot(kind='bar',fontsize=20)
leg = plt.gca().get_legend()
ltext  = leg.get_texts()
plt.setp(ltext, fontsize='20')
plt.title("CPU time ",fontsize=16)
df.plot()
leg = plt.gca().get_legend()
ltext  = leg.get_texts()
plt.setp(ltext, fontsize='20')
plt.title("CPU time",fontsize=16)









    Out[5]:





<matplotlib.text.Text at 0x109fdd150>

function	M1	M2	M3
partition
5	624	1379	1466
10	2548	7006	5941
15	6333	19248	19219
20	11703	38264	41027
25	18652	6692	73007
30	28149	15486	66815

function	M1	M2	M3
partition
5	2.879117	7.312524	8.037126
10	13.421913	37.904853	33.263828
15	39.362254	120.963716	129.044396
20	86.019836	292.885635	321.607322
25	161.699401	59.155206	678.904996
30	236.091226	133.326601	596.143002

说明

实验

迭代次数与分段数关系图表

cpu计算耗时与分段数关系图表

随分段数变化拟合情况