hybridopt 0.1.1

Hybrid optimization library with LHS, BO, GA, DE, Local, PSO support

HybridOpt

HybridOpt は Python で多様な最適化アルゴリズムを組み合わせて、連続・離散変数の混合、制約付き最適化、スケジュール探索の自動比較を行えるハイブリッド最適化ライブラリです。

特徴

• LHS（Latin Hypercube Sampling）、Bayesian Optimization、局所探索、Differential Evolution、GA、PSO に対応
• 連続・整数変数の混合に対応
• 制約付き目的関数の探索が可能
• 複数スケジュールの再現性評価、時間制限評価が可能
• CSV に履歴を追記しながら探索可能

インストール

pip install hybridopt pyDOE scikit-optimize scipy

※ PSO を利用する場合は pyswarms を別途インストールしてください。

pip install pyswarms

使用例

目的関数例（多峰性）

import numpy as np
from hybridopt.optimizer import HybridOptimizer

def my_func(x, y):
    """多峰性関数: 最大値は (0.1, 4.0)"""
    return np.sin(5*x) * (1-np.tanh(y**2)) + 2*np.exp(-((x-0.1)**2 + (y-4.0)**2))

変数定義

variables = [
    {"label": "x", "bounds": (0, 1), "type": float},
    {"label": "y", "bounds": (0, 5), "type": float}
]

1. 通常の最適化

optimizer = HybridOptimizer(variables, target_label="obj", maximize=True)

X_all, Y_all, best_x, best_y = optimizer.run_schedule(
    func=my_func,
    csv_filename="history_normal.csv",
    schedule=[("lhs", 10), ("bo", 15), ("local", 20)]
)
print("Best x:", best_x)
print("Best y:", best_y)

出力例

Best x: [0.092, 4.0]
Best y: 2.625

2. 制約付き最適化

constraint_func = lambda y: y > 0
optimizer_constrained = HybridOptimizer(
    variables,
    target_label="obj",
    maximize=True,
    constraint=constraint_func
)

X_all, Y_all, best_x, best_y = optimizer_constrained.run_schedule(
    func=my_func,
    csv_filename="history_constrained.csv",
    schedule=[("lhs", 10), ("bo", 10), ("local", 20)]
)
print("Best x:", best_x)
print("Best y:", best_y)

出力例

Best x: [0.092, 4.0]
Best y: 2.625

3. 複数スケジュールの検証

schedules = [
    [("lhs", 10), ("de", 20), ("local", 20)],
    [("lhs", 15), ("ga", 25), ("local", 15)],
    [("lhs", 20), ("bo", 10), ("local", 20)]
]

best_result = optimizer.run_multiple_schedules(
    func=my_func,
    csv_prefix="history_schedule",
    schedules=schedules,
    n_runs=3
)
print("Overall best schedule:", best_result["schedule"])
print("Best y:", best_result["best_y"])
print("Best x:", best_result["best_x"])

出力例

Overall best schedule: [('lhs', 20), ('bo', 10), ('local', 20)]
Best y: 2.625
Best x: [0.092, 4.0]

4. 時間制限ベースで検証

best_result_time = optimizer.run_multiple_schedules_time_based(
    func=my_func,
    csv_prefix="history_time_schedule",
    schedules=schedules,
    time_limit_per_schedule=5.0,
    n_runs=3
)
print("Overall best schedule:", best_result_time["schedule"])
print("Best y:", best_result_time["best_y"])
print("Best x:", best_result_time["best_x"])

出力例

Overall best schedule: [('lhs', 20), ('bo', 10), ('local', 20)]
Best y: 2.625
Best x: [0.092, 4.0]

探索アルゴリズム

モード	説明
lhs	Latin Hypercube Sampling
bo	Bayesian Optimization
local	局所探索（L-BFGS-B）
de	Differential Evolution
ga	Genetic Algorithm
pso	Particle Swarm Optimization（pyswarms が必要）

制約の指定

constraint_func = lambda y: y > 0  # 目的関数 y が正の値のみ許可
optimizer = HybridOptimizer(variables, target_label="obj", constraint=constraint_func)

制約を満たさない点は探索対象外として扱われます。

スケジュール探索

複数のアルゴリズムを組み合わせた探索スケジュールを検証可能。

• run_multiple_schedules は最良結果を繰り返し評価し、平均値で比較。
• run_multiple_schedules_time_based は各スケジュールの実行時間で公平に比較。

ライセンス

HybridOpt は MIT ライセンスの下で提供されています。詳細は LICENSE ファイルを参照してください。