在 numpy 数组中按元素应用操作

Question

我目前正在 python 中实施差分进化算法，在较低维度上工作时一切都很好，但是，当我开始增加搜索维度时 space 所花费的时间到运行算法呈指数增长。在做了一些分析后，我发现大部分时间都花在了变异函数上，如下所示，

def _mutate(self, candidate: int) -> np.ndarray:
    # r0, r1, & r2 are np.ndarrays of shape (dimension,)
    r0, r1, r2 = self._select_samples(candidate)

    # mutant is an np.ndarray of shape (dimension,)
    mutant = np.copy(self.population[candidate])

    j_rand = int(np.random.uniform() * self.dimensions)
    for j in range(self.dimensions):
        if np.random.uniform() < self.cr or j == j_rand:
            # bound the mutant to the search space
            mutant[j] = np.clip(r0[j] + self.F * (r1[j] - r2[j]),
                                self.range[0], self.range[1])

现在，对于 100 的 population size 和 20 的 dimension，算法花费的总时间运行大约是 ~40秒，其中约 20 秒花费在 mutate 上。

现在，我已经对这个功能进行了改进，优化它比以前的版本缩短了大约 3 秒。

def _mutate_2(self, candidate: int) -> np.ndarray:
    r0, r1, r2 = self._select_samples(candidate)
    mutant = np.copy(self.population[candidate])
    j_rand = np.random.randint(self.dimensions)
    cross_indxs = np.flatnonzero(np.random.rand(self.dimensions) < self.cr)
    cross_indxs = np.append(
        cross_indxs, [j_rand]) if j_rand not in cross_indxs else cross_indxs

    for j in cross_indxs:
        mutant[j] = np.clip(r0[j] + self.F * (r1[j] - r2[j]), self.range[0],
                            self.range[1])

    return mutant

但显然，这还不够。我想知道 numpy 中是否有技巧可以删除对 r0, r1, r2, and mutant 应用元素操作的 for 循环。要注意的是，只能使用索引在 cross_indxs 中的元素。

Answer 1

试试这个：

mutant[cross_indxs] = (r0[cross_indxs] + self.F[cross_indxs] * (r1[cross_indxs] - r2[cross_indxs])).clip(self.range[0],self.range[1])

在 numpy 数组中按元素应用操作

Applying operation element-wise in numpy array

python

numpy

differential-evolution