BoTorch 测试函数与基准评估：验证优化算法性能

4. 访问问题属性

# 获取问题边界
print("Ackley 函数边界:", ackley.bounds)

# 获取全局最优值
print("Branin 函数最优值:", branin.optimal_value)

# 获取最优解
print("Rosenbrock 函数最优解:", rosenbrock.optimal_x)

基准评估方法

单目标优化评估指标

BoTorch 提供了多种指标来评估单目标优化算法的性能：

• 累计悔恨值（Cumulative Regret）：衡量算法收敛到最优解的速度
• 成功率（Success Rate）：算法找到全局最优解的概率
• 收敛曲线：展示算法在迭代过程中的目标函数值变化

多目标优化评估指标

对于多目标优化问题，BoTorch 支持以下评估指标：

• 超体积（Hypervolume）：衡量 Pareto 前沿覆盖的区域大小
• Pareto 前沿距离：与真实 Pareto 前沿的接近程度
• 世代距离（Generational Distance）：评估收敛性和多样性

from botorch.utils.multi_objective.hypervolume import Hypervolume

# 计算超体积
hv = Hypervolume(ref_point=dtlz2.ref_point)
hypervolume = hv.compute(Y_pareto)

测试函数应用场景

1. 算法开发与调试

测试函数为优化算法开发提供了标准化的评估环境：

def test_my_optimizer(optimizer, test_function, num_trials=10):
    regrets = []
    for _ in range(num_trials):
        # 运行优化算法
        best_value = optimizer.optimize(test_function)
        # 计算悔恨值
        regret = best_value - test_function.optimal_value
        regrets.append(regret)
    return torch.mean(torch.tensor(regrets))

2. 算法比较研究

通过在多个测试函数上比较不同算法的性能，可以客观评估算法的优劣。

3. 参数调优

测试函数可用于优化算法自身参数的调优：

from botorch.optim import optimize_acqf

# 使用测试函数优化算法超参数
def tune_hyperparameters(hyperparameter_space):
    def objective(params):
        # 设置算法参数
        algorithm = MyAlgorithm(params=params)
        # 在多个测试函数上评估性能
        performance = evaluate_algorithm(algorithm, [Ackley(), Branin(), Rosenbrock()])
        return -performance  # 转为最小化问题
    
    # 优化超参数
    optimal_params = optimize_acqf(
        acq_function=objective,
        bounds=hyperparameter_space,
        q=1,
        num_restarts=5,
        raw_samples=20
    )
    return optimal_params

高级使用技巧

自定义测试函数

通过继承基础类，可以创建自定义测试函数：

from botorch.test_functions.base import SyntheticTestFunction

class MyTestFunction(SyntheticTestFunction):
    dim = 3
    _bounds = [(-5.0, 5.0) for _ in range(dim)]
    _optimal_value = 0.0
    _optimizers = [(0.0, 0.0, 0.0)]

    def _evaluate_true(self, X: Tensor) -> Tensor:
        # 定义自定义函数
        return torch.sum(X ** 2, dim=-1)

带约束条件的测试问题

BoTorch 支持带约束条件的测试问题，位于 botorch/test_functions/base.py 中的 ConstrainedBaseTestProblem 类：

from botorch.test_functions.base import ConstrainedBaseTestProblem

class ConstrainedProblem(ConstrainedBaseTestProblem):
    num_constraints = 1

    def _evaluate_true(self, X: Tensor) -> Tensor:
        # 目标函数
        return X.pow(2).sum(dim=-1)

    def _evaluate_slack_true(self, X: Tensor) -> Tensor:
        # 约束条件：x1 + x2 <= 1
        return 1 - X[..., :2].sum(dim=-1, keepdim=True)

多保真度测试问题

多保真度测试函数位于 botorch/test_functions/multi_fidelity.py，支持不同保真度下的函数评估：

from botorch.test_functions.multi_fidelity import AugmentedBranin

# 初始化多保真度测试函数
aug_branin = AugmentedBranin()

# 在不同保真度下评估
X = torch.rand(10, 3)  # 最后一维为保真度参数
Y = aug_branin(X)

总结

BoTorch 的测试函数模块为优化算法开发和评估提供了全面的工具支持。通过本文介绍的测试函数和评估方法，开发者可以：

1. 使用标准化的测试问题验证优化算法性能
2. 客观比较不同算法的优缺点
3. 调试和改进现有优化方法
4. 为特定应用场景选择最合适的优化策略

无论是学术研究还是工业应用，合理利用这些测试函数都能显著提高优化算法的开发效率和可靠性。要深入了解更多测试函数的细节，可以参考 BoTorch 的官方文档和源代码实现。

通过 BoTorch 提供的丰富测试函数和评估工具，开发者可以构建更加稳健、高效的优化算法，应对各种复杂的现实优化问题。