CMAES, una simple, práctica y amigable librería para optimización en Python.

Ponente(s): Hugo Guadalupe Alamilla Mayorga

El CMA-ES (Covariance Matrix Adaptation- Evolution Strategy) se inició originalmente como un algoritmo de optimización con parámetros continuos. A partir de la propuesta inicial, se han desarrollado variantes recientes, las cuales conservan el diseño simple del modelo original, incluyendo avances recientes como learning rate adaptation for challenging scenarios y mixed integer optimization capabilities. Por sus características destacadas es menester sea implementado en un lenguaje de programación ampliamente utilizado, de fácil lectura, , de código abierto y actualmente uno de los más populares: Python; esta implementación sería enfocada en las personas practicantes, siendo al mismo tiempo de uso simple, práctico y amigable. Dirigido por este propósito, los autores de la librería cmaes, [Nomura and Shibata 2024] , han implementado y propuesto esta “biblioteca de métodos”, que incluye las siguientes variantes del CMA-ES: Learning Rate Adaptation CMA-ES, Warm Starting CMA-ES, CatCMA with Margin, Safe CMA, Maximum a Posteriori CMA-ES, Separable CMA-ES, IPOP-CMA; las cuales aparte de usarse con funciones de benchmarking, emplearemos en aplicaciones especificas. Acompañaremos la charla con un pequeño tutorial para su uso.