python
# 1変数用ベイズ最適化プログラムimport pandas as pd import numpy as np from sklearn.preprocessing import MinMaxScaler import datetime import GPy import GPyOpt import csv from matplotlib import pyplot as plt # 得られたx,yを入力。x,yともにnumpyの2D arrayとなることに注意 def BayOpt(L, ε, k): # 1つの摩擦係数を想定したプログラム # ライブラリー類のインポート # 既知の実験データを読み込み前処理(標準化)を実行 data = pd.read_csv("zikken_data12.csv", encoding="utf-8") # 実験における変数の数を定義 num_x = len(data.columns)-2 print("変数の数:"+str(num_x)) # 各変数の刻み幅(step),最小値(min),最大値(max),標準化後の刻み幅(norm_step),標準化後の定義域(norm_range)を定義 # 摩擦係数をかんがえるのでmax = 1，min = 0とした. 刻み幅は適当に0.01 としたので要検討 for i in range(num_x): # print(i) exec("μ"+str(i)+"_step = data.iloc[0,"+str(i)+"]") exec("μ"+str(i)+"_min = data.iloc[1,"+str(i)+"]") exec("μ"+str(i)+"_max = data.iloc[2,"+str(i)+"]") exec("norm_μ"+str(i)+"_step = ((μ"+str(i) + "_step)/((μ"+str(i)+"_max)-(μ"+str(i)+"_min)))") # print(norm_x"+str(i)+"_step) #exec("norm_μ"+str(i)+"_range = np.arange(0, (1+norm_μ"+str(i)+"_step), norm_μ"+str(i)+"_step)") norm_μ0_range = np.arange(0, 1.01, 0.01) #norm_μ1_range = np.arange(0.01, 0.02, 0.005) # MinMaxScalerを用いて標準化処理を実行（標準化前：data→標準化後：norm_dataにデータ名を変更） # 読み込んだ既知の実験データに定義域外のデータ（最小値や最大値の範囲を超える設定値）がある場合はこの方法では上手くいかないので注意 # 読み込んだデータの3行目（最小値）以下のxの値のみを標準化を実行 data_before_norm = data.iloc[1:, :-1] mmscaler = MinMaxScaler() mmscaler.fit(data_before_norm) norm_data_wo_y = mmscaler.transform(data_before_norm) norm_data_wo_y_df = pd.DataFrame(norm_data_wo_y) # norm_data_wo_y_dfの先頭2行（行番号0と1）は最小値と最大値なので取り除く new_norm_data_wo_y = norm_data_wo_y_df.iloc[2:, :] new_norm_data_wo_y_reset = new_norm_data_wo_y.reset_index(drop=True) df_new_norm_data_wo_y_reset = pd.DataFrame(new_norm_data_wo_y_reset) # 標準化処理したデータにもともとのyの値を結合していくためにyの値だけ格納されたデータフレームを作成していく data_y = data.iloc[3:, -1] # のちのデータフレームの結合を考えてindex番号をリセット data_y_reset = data_y.reset_index(drop=True) df_data_y_reset = pd.DataFrame(data_y_reset) # 標準化したxのみのデータフレームとyのみのデータフレームを結合し、csvファイルに書き出し norm_data = pd.concat( [df_new_norm_data_wo_y_reset, df_data_y_reset], axis=1) norm_data.columns = data.columns norm_data.to_csv("norm_zikken_data12.csv", index=False) # 正規化後のデータに対してベイズ最適化を実行（yの値をなるべく小さくする条件探索） # 開始時刻 start_time = datetime.datetime.today() print("開始時刻: " + start_time.strftime('%Y-%m-%d_%H-%M-%S')) # 乱数初期化（設定は必須でない？） np.random.seed(1234) # 定義域（条件の探索範囲）の設定 # typeは‘continuous’:連続変数，‘discrete’：離散変数，‘categorical’：カテゴリで指定 bounds = [{'name': 'particle_wall_Friction', 'type': 'discrete', 'domain': norm_μ0_range}] # {'name': 'particle_wall_Friction','type': 'discrete', 'domain': norm_μ1_range} # 既知データをインプットしていく # データ入力用の箱を作っておく X_step = [] Y_step = [] # 標準化済みのcsvデータ（既知の実験データ）を読み込む norm_data = pd.read_csv("norm_zikken_data12.csv", encoding="utf-8") norm_data_x = norm_data.iloc[:, 0:num_x] # 全行のxを読み込む norm_data_y = norm_data.iloc[:, num_x:num_x+1] # 全行のyを読み込む # xとyをリスト化する X_step = np.asarray(norm_data_x) Y_step = np.asarray(norm_data_y) # グラフ描写用のリストを作っておく i_list = [] y_pre_list = [] y_exp_list = [] y_var_list = [] nextμ = [] # 以下のパラメータでベイズ最適化を実行する params = {'acquisition_type': 'LCB', # 獲得関数としてLower Confidence Boundを指定 'acquisition_weight': 2, # LCBのパラメータを設定．デフォルトは2 # GPに使うカーネルの設定 #boundsの次元でinputの次元を定義 'kernel': GPy.kern.Matern52(input_dim=len(bounds), ARD=True), 'f': None, # 最適化する関数の設定（実験結果は分からないので設定しない）． 'domain': bounds, # パラメータの探索範囲の指定 'model_type': 'GP', # 標準的なガウシアンプロセスを指定． 'X': X_step, # 既知データの説明変数（インプットするx） 'Y': Y_step, # 既知データの目的変数（インプットするy） 'de_duplication': True, # 重複したデータをサンプルしないように設定． "normalize_Y": True, # defaltはTrue "exact_feval": False # defaltはFalse } # ベイズ最適化のモデルの作成 bo_step = GPyOpt.methods.BayesianOptimization(**params) # 次の候補点のx,y(予測値,分散)の計算 x_suggest = bo_step.suggest_next_locations(ignored_X=X_step) y_predict = bo_step.model.model.predict( x_suggest) # y_predictは(予測平均，予測分散)がタプルで返ってくる y_mean = y_predict[0] y_variance = y_predict[1] # 次の実験候補点のxについて標準化処理をしない状態のスケールで表示（もう少し上手いやり方があると思われる） for j in range(0, num_x): #exec("next_μ"+str(j)+"_0 = μ"+str(j)+"_min+(x_suggest[0,"+str(j)+"])*((μ"+str(j)+"_max)-(μ"+str(j)+"_min))") exec("nextμ.append(μ"+str(j) + "_min+(x_suggest[0,"+str(j)+"])*((μ"+str(j)+"_max)-(μ"+str(j)+"_min)))") # print(nextμ) print("次の実験点のparticle_wall_Frictionは " + str(nextμ[0]) + "です") # print("次の実験点のparticle_particle_rollingFrictionは " + str(nextμ[1]) + "です") # y_meanとy_varianceはndarrayなのでfloatに変換 print("次の実験点でのmeanは " + "{:.4f}".format(float(y_mean)) + "です") print("次の実験点でのstdは " + "{:.4f}".format(float(y_variance)) + "です") end_time = datetime.datetime.today() print("終了時刻: " + end_time.strftime('%Y-%m-%d_%H-%M-%S')) print("所要時間: " + str(end_time - start_time))
0 コメント