SimonBlanke/Gradient-Free-Optimizers

何を解決するか

Gradient-Free-Optimizers (GFO) は、勾配が利用できない、不実用的、または存在しない「ブラックボックス」関数を最適化するための統一された方法を提供します。連続値、離散値、カテゴリカル値、および分布に基づくデータを組み合わせた複雑な探索空間において、目的関数の最適なパラメータを見つけるプロセスを簡素化します。

動作方法

このライブラリは、局所探索、グローバル探索、集団ベース、および逐次モデルベースの手法（ベイズ最適化など）に分類される23種類の最適化アルゴリズムを実装しています。ユーザーは最大化したい目的関数と探索空間を定義します。最適化器はパラメータを提案し、目的関数で評価し、内部戦略に基づいてスコアを反復的に改善します。

対象ユーザー

機械学習モデルのハイパーパラメータチューニング、シミュレーション最適化、特徴選択、およびエンジニアリング設計に取り組む開発者や研究者向けに設計されています。

特徴

• 統一されたAPI: 1行のコード変更で23種類の異なるアルゴリズムを切り替えられます。
• 混合探索空間: 連続範囲、離散グリッド、カテゴリカル選択、SciPyの分布を1つの空間でサポートします。
• 組み込みメモリ: 高コストな目的関数の重複評価を防ぐためのキャッシュ機能を備えています。
• 最小限の依存関係: NumPyとpandasのみを必要とし、組み込みシステムや最小限のコンテナに適しています。
• 型変換と制約: 制約関数をサポートし、無効な探索空間領域を自動的に回避できます。