Razvalyaev
141ea6bac9
- MyLibs - максимально платформонезависимые библиотеки (кроме разве что RTT) - RTT - STM32_General - библиотеки для периферии stm32
339 lines
14 KiB
C
339 lines
14 KiB
C
/**
|
||
******************************************************************************
|
||
* @file evolve_optimizer.h
|
||
* @brief Заголовочный файл для адаптивного подбора параметров
|
||
******************************************************************************
|
||
* @addtogroup EVOLVE_OPTIMIZER Evolve optimizer
|
||
* @ingroup MYLIBS_DEFINES
|
||
* @brief Библиотека для эволюционного подбора параметров
|
||
* @details
|
||
Поддерживает:
|
||
- Любое количество параметров
|
||
- Генерацию новых параметров на основе лучших кандидатов
|
||
- Мутацию для поиска оптимальных параметров
|
||
- Несколько независимых оптимизаторов в одной программе
|
||
|
||
|
||
Параметры для конфигурации:
|
||
- @ref ENABLE_EVOLVE_OPTIMIZATION - Включить оптимизацию параметров
|
||
Если библиотека отключена @ref ENABLE_EVOLVE_OPTIMIZATION, то вставляются
|
||
заглушки, никак не влияющие на параметры и остальную программу
|
||
- @ref EVOLVE_MAX_PARAMS - Максимальное количество параметров
|
||
- @ref EVOLVE_MAX_CANDIDATES - Максимальное количество кандидатов для обучения
|
||
- (опционально) @ref EVOLVE_MUTATION_MIN_PCT - Минимальная мутация в процентах от Loss (по умолчанию 10%)
|
||
- (опционально) @ref EVOLVE_MUTATION_MAX_PCT - Максимальная мутация в процентах от Loss (по умолчанию 100%)
|
||
- (опционально) @ref ELOVLE_N_ELITE_CANDIDATE - Количество кандидатов, которые проходят в поколение без изменений
|
||
|
||
@par Пример использования:
|
||
@code
|
||
#include "evolve_optimizer.h"
|
||
#define N_PARAMS 4
|
||
#define N_CANDIDATES 100
|
||
#define N_BEST 10
|
||
#define MUTATION 0.1f
|
||
float params[N_PARAMS];
|
||
EvolveOptimizer_t optimizer;
|
||
|
||
// Формирование параметров
|
||
uint16_t param_u16 = 800;
|
||
float param_f = 0.01f;
|
||
uint8_t param_u8 = 40;
|
||
int16_t param_i16 = 1600;
|
||
params[0] = PARAM_SCALE(param_u16, 0.0f, 1000.0f);
|
||
params[1] = PARAM_SCALE(param_f, 0.001f, 0.1f);
|
||
params[2] = PARAM_SCALE(param_u8, 10.0f, 100.0f);
|
||
params[3] = PARAM_SCALE(param_i16, 500.0f, 5000.0f);
|
||
|
||
// Инициалиазция
|
||
EvolveOptimizer_Init(&optimizer, N_PARAMS, N_CANDIDATES, N_BEST, MUTATION, params);
|
||
|
||
// Шаг эволюции
|
||
float loss = calc_loss(); // расчет эффективности параметров (от 0 до 1)
|
||
EvolveOptimizer_Step(&optimizer, params, loss);
|
||
|
||
// Взятие следующих для эволюции параметров
|
||
param_u16 = PARAM_UNSCALE(params[0], 0.0f, 1000.0f);
|
||
param_f = PARAM_UNSCALE(params[1], 0.001f, 0.1f);
|
||
param_u8 = PARAM_UNSCALE(params[2], 10.0f, 100.0f);
|
||
param_i16 = PARAM_UNSCALE(params[3], 500.0f, 5000.0f);
|
||
@endcode
|
||
* @{
|
||
*****************************************************************************/
|
||
#ifndef __EVOLVE_OPTIMIZER_H_
|
||
#define __EVOLVE_OPTIMIZER_H_
|
||
|
||
#include "mylibs_defs.h"
|
||
#include <stdint.h>
|
||
#include <stdlib.h>
|
||
|
||
#ifdef ENABLE_EVOLVE_OPTIMIZATION
|
||
/**
|
||
* @brief Линейное масштабирование x из диапазона [min_val, max_val] в диапазон [0, 1)
|
||
*/
|
||
#define PARAM_SCALE(x, min_val, max_val) \
|
||
(((float)(x) - (float)(min_val)) / ((float)(max_val) - (float)(min_val)))
|
||
|
||
/**
|
||
* @brief Обратное линейное масштабирование значения из [0, 1) в диапазон [min_val, max_val]
|
||
*/
|
||
#define PARAM_UNSCALE(val, min_val, max_val) \
|
||
(((float)(val)) * ((float)(max_val) - (float)(min_val)) + (float)(min_val))
|
||
|
||
#ifndef local_time
|
||
#define local_time() HAL_GetTick() ///< Локальное время
|
||
#endif
|
||
|
||
|
||
|
||
#ifndef EVOLVE_MUTATION_MIN_PCT
|
||
#define EVOLVE_MUTATION_MIN_PCT 10 ///< Минимальная мутация (в процентах от Loss)
|
||
#endif
|
||
#ifndef EVOLVE_MUTATION_MAX_PCT
|
||
#define EVOLVE_MUTATION_MAX_PCT 100 ///< Максимальная мутация (в процентах от Loss)
|
||
#endif
|
||
#ifndef ELOVLE_N_ELITE_CANDIDATE
|
||
#define ELOVLE_N_ELITE_CANDIDATE 2 ///< Количество кандидатов, которые проходят в поколение без изменений (по умолчанию 2)
|
||
#endif
|
||
|
||
|
||
/**
|
||
* @brief Структура эволюционного оптимизатора
|
||
*/
|
||
typedef struct {
|
||
float stability; ///< Коэффициент насколько стабильная популяция (0..1)(@ref n_cand)
|
||
|
||
uint16_t n_params; ///< Количество параметров
|
||
uint16_t n_cand; ///< Количество кандидатов в популяции
|
||
uint16_t n_best; ///< Количество лучших, усредняемых
|
||
float mutation_amp; ///< Амплитуда мутации (0..1)
|
||
|
||
uint16_t cand_index; ///< Индекс кандидата для обработки
|
||
uint16_t gen_index; ///< Индекс популяции
|
||
|
||
//INTERNAL
|
||
float gen_mut; ///< Амплитуда мутации у текущей популяции
|
||
|
||
float loss[EVOLVE_MAX_CANDIDATES]; ///< Loss для каждого кандидата
|
||
float candidates[EVOLVE_MAX_CANDIDATES][EVOLVE_MAX_PARAMS]; ///< Параметры кандидатов
|
||
uint16_t sorted_idx[EVOLVE_MAX_CANDIDATES]; ///< Индексы отсортированных кандидатов
|
||
} EvolveOptimizer_t;
|
||
|
||
|
||
|
||
/**
|
||
* @cond EVOLVE_INTERNAL
|
||
*/
|
||
|
||
// Вспомогательный указатель для сортировки
|
||
static EvolveOptimizer_t *g_sort_opt; // глобальный указатель на текущий оптимизатор
|
||
|
||
// функция условия сортировки
|
||
static int cmp_idx(const void *a, const void *b) {
|
||
if (g_sort_opt->loss[*(const uint16_t*)a] < g_sort_opt->loss[*(const uint16_t*)b])
|
||
return -1;
|
||
if (g_sort_opt->loss[*(const uint16_t*)a] > g_sort_opt->loss[*(const uint16_t*)b])
|
||
return 1;
|
||
return 0;
|
||
}
|
||
/** @endcond */
|
||
|
||
|
||
|
||
|
||
|
||
/**
|
||
* @brief Инициализация эволюционного оптимизатора.
|
||
* @param opt Указатель на структуру оптимизатора
|
||
* @param n_params Количество параметров в одном кандидате
|
||
* @param n_cand Количество кандидатов
|
||
* @param n_best Количество лучших, усредняемых
|
||
* @param mutation_amp Амплитуда мутации (в диапазоне 0.0–1.0)
|
||
* @param start_params Начальные параметры (в диапазоне 0.0–1.0)
|
||
* @return 0 — если окей,
|
||
* -1 — если ошибка
|
||
*/
|
||
__STATIC_INLINE int EvolveOptimizer_Init(EvolveOptimizer_t* opt,
|
||
uint16_t n_params,
|
||
uint16_t n_cand,
|
||
uint16_t n_best,
|
||
float mutation_amp,
|
||
float* start_params)
|
||
{
|
||
if((opt == NULL) || (start_params == NULL))
|
||
return -1;
|
||
|
||
if(n_params > EVOLVE_MAX_PARAMS)
|
||
return -1;
|
||
opt->n_params = n_params;
|
||
|
||
if(n_cand > EVOLVE_MAX_CANDIDATES)
|
||
return -1;
|
||
opt->n_cand = n_cand;
|
||
|
||
if(n_best > EVOLVE_MAX_CANDIDATES/2)
|
||
return -1;
|
||
opt->n_best = n_best;
|
||
|
||
|
||
if((mutation_amp > 1) || (mutation_amp < 0))
|
||
return -1;
|
||
if(mutation_amp <= 0.001f)
|
||
mutation_amp = 0.001f;
|
||
opt->mutation_amp = mutation_amp;
|
||
|
||
uint32_t seed = local_time();
|
||
#ifdef ADC1
|
||
seed += (ADC1->DR & 0xFF);
|
||
#endif
|
||
srand(seed);
|
||
|
||
for (uint16_t i = 0; i < n_cand; i++) {
|
||
for (uint16_t j = 0; j < n_params; j++) {
|
||
// Добавляем случайную мутацию вокруг стартового параметра
|
||
float base = start_params[j];
|
||
float inv_randmax = 1.0f / (float)RAND_MAX;
|
||
float noise = ((float)rand() * inv_randmax * 2.0f - 1.0f) * mutation_amp;
|
||
opt->candidates[i][j] = base + noise;
|
||
if (opt->candidates[i][j] < 0.0f) opt->candidates[i][j] = 0.0f;
|
||
if (opt->candidates[i][j] > 1.0f) opt->candidates[i][j] = 1.0f;
|
||
}
|
||
opt->loss[i] = 0.0f;
|
||
}
|
||
|
||
opt->cand_index = 0;
|
||
opt->gen_index = 0;
|
||
return 0;
|
||
}
|
||
|
||
|
||
/**
|
||
* @brief Один шаг эволюционного оптимизатора.
|
||
* @param opt Указатель на структуру оптимизатора
|
||
* @param params Массив параметров, которые будут обновлены (на выходе — новые параметры)
|
||
* @param loss Loss текущего кандидата
|
||
* @return 0 — если окей,
|
||
* -1 — если ошибка
|
||
* @details
|
||
* Сохраняет loss текущего кандидата и формирует параметры следующего кандидата.
|
||
* Если накоплено n_cand кандидатов, генерируется новое поколение.
|
||
* Новое поколение формируется случайным выбором из n_best лучших с добавлением мутации.
|
||
*
|
||
* На выходе params содержит параметры следующего кандидата для измерений.
|
||
* @note Функция использует глобальную внутреннюю переменную для сортировки.
|
||
* Надо убедится что только один экземпляр функции запущен в момент времени
|
||
*/
|
||
__STATIC_INLINE int EvolveOptimizer_Step(EvolveOptimizer_t* opt,
|
||
float* params,
|
||
float loss)
|
||
{
|
||
if((opt == NULL) || (params == NULL))
|
||
return -1;
|
||
|
||
uint16_t n_params = opt->n_params;
|
||
if(n_params > EVOLVE_MAX_PARAMS)
|
||
return -1;
|
||
|
||
uint16_t n_cand = opt->n_cand;
|
||
if(n_cand > EVOLVE_MAX_CANDIDATES)
|
||
return -1;
|
||
|
||
uint16_t n_best = opt->n_best;
|
||
if(n_best > EVOLVE_MAX_CANDIDATES/2)
|
||
return -1;
|
||
|
||
float mut = opt->mutation_amp;
|
||
if((mut > 1) ||(mut < 0))
|
||
return -1;
|
||
|
||
// 1. Сохраняем loss текущего кандидата
|
||
opt->loss[opt->cand_index] = loss;
|
||
opt->cand_index++;
|
||
|
||
if (opt->cand_index >= n_cand) {
|
||
// 2. Сортируем текущее поколение по loss
|
||
for(uint16_t i = 0; i < opt->n_cand; i++)
|
||
opt->sorted_idx[i] = i;
|
||
|
||
g_sort_opt = opt;
|
||
qsort(opt->sorted_idx, opt->n_cand, sizeof(uint16_t), cmp_idx);
|
||
g_sort_opt = NULL;
|
||
|
||
// --- Адаптивная мутация в зависимости от Loss ---
|
||
float best_loss = opt->loss[opt->sorted_idx[0]];
|
||
float worst_loss = opt->loss[opt->sorted_idx[opt->n_cand - 1]];
|
||
float diff = worst_loss - best_loss;
|
||
|
||
float sum_loss = 0.0f;
|
||
for (uint16_t i = 0; i < n_cand; i++)
|
||
sum_loss += opt->loss[i];
|
||
float avg_loss = sum_loss / (float)n_cand;
|
||
|
||
|
||
float loss_ratio = (diff > 0.0f) ? ((avg_loss - best_loss) / diff) : 0.5f;
|
||
if (loss_ratio < 0.0f) loss_ratio = 0.0f;
|
||
if (loss_ratio > 1.0f) loss_ratio = 1.0f;
|
||
|
||
// Записываем стабильность популяции в структуру
|
||
if(diff < 0.0f) diff = 0.0f;
|
||
if(diff > 1.0f) diff = 1.0f;
|
||
opt->stability = (1.0f - worst_loss) * (1.0f - (worst_loss - best_loss));
|
||
if(opt->stability < 0.0f) opt->stability = 0.0f;
|
||
if(opt->stability > 1.0f) opt->stability = 1.0f;
|
||
|
||
float mut_pct = EVOLVE_MUTATION_MIN_PCT +
|
||
(EVOLVE_MUTATION_MAX_PCT - EVOLVE_MUTATION_MIN_PCT) * loss_ratio;
|
||
float adaptive_mut = mut * (mut_pct / 100.0f);
|
||
if (adaptive_mut < 0.0001f) adaptive_mut = 0.0001f;
|
||
opt->gen_mut = adaptive_mut;
|
||
|
||
// 3. Генерируем новое поколение
|
||
uint16_t n_elite = ELOVLE_N_ELITE_CANDIDATE;
|
||
for (uint16_t c = 0; c < n_cand; c++) {
|
||
if (c < n_elite) {
|
||
for (uint16_t i = 0; i < n_params; i++)
|
||
opt->candidates[c][i] = opt->candidates[opt->sorted_idx[c]][i];
|
||
opt->loss[c] = 0.0f;
|
||
} else {
|
||
for (uint16_t i = 0; i < n_params; i++) {
|
||
float inv_randmax = 1.0f / (float)RAND_MAX;
|
||
float noise = ((float)rand() * inv_randmax * 2.0f - 1.0f) * adaptive_mut;
|
||
uint16_t parent = opt->sorted_idx[rand() % opt->n_best];
|
||
opt->candidates[c][i] = opt->candidates[parent][i] + noise;
|
||
if (opt->candidates[c][i] < 0.0f) opt->candidates[c][i] = 0.0f;
|
||
if (opt->candidates[c][i] > 1.0f) opt->candidates[c][i] = 1.0f;
|
||
}
|
||
opt->loss[c] = 0.0f;
|
||
}
|
||
}
|
||
opt->cand_index = 0;
|
||
opt->gen_index++;
|
||
}
|
||
|
||
// 4. Возвращаем параметры следующего кандидата
|
||
for (uint16_t i = 0; i < opt->n_params; i++)
|
||
params[i] = opt->candidates[opt->cand_index][i];
|
||
|
||
return 0;
|
||
}
|
||
#else // ENABLE_EVOLVE_OPTIMIZATION
|
||
//заглушки
|
||
typedef struct {
|
||
uint16_t n_params;
|
||
uint16_t n_cand;
|
||
uint16_t n_best;
|
||
float mutation_amp;
|
||
float loss[0];
|
||
float candidates[0][0];
|
||
} EvolveOptimizer_t;
|
||
#define EvolveOptimizer_Init(opt, n_params, n_cand, n_best, mutation_amp, start_params)
|
||
#define EvolveOptimizer_Step(opt, params, LossFunc)
|
||
#define PARAM_SCALE(x, min_val, max_val) (x)
|
||
#define PARAM_UNSCALE(val, min_val, max_val) (val)
|
||
#endif // ENABLE_EVOLVE_OPTIMIZATION
|
||
|
||
#endif // __EVOLVE_OPTIMIZER_H_
|
||
|
||
/** EVOLVE_OPTIMIZER
|
||
* @}
|
||
*/
|