README_zh_CN.md

---

OpenBox: 通用高效的黑盒优化系统

OpenBox是解决黑盒优化（超参数优化）问题的高效且通用的开源系统，支持以下特性：

1. 多目标与带约束的黑盒优化。
2. 迁移学习。
3. 分布式并行验证。
4. 多精度优化加速。
5. 早停机制。

使用方式

本地Python包

用户可以安装我们发布的Python包，从而在本地使用黑盒优化算法。

分布式黑盒优化服务

OpenBox是一个提供通用黑盒优化服务的系统。用户可以使用REST API便捷地访问服务，无需担心环境配置、代码编写与维护、执行优化等问题。用户还可以通过我们提供的网页用户界面，监控与管理优化任务。

设计理念

我们的设计遵循以下理念：

• 易用：用户以最小代价使用黑盒优化服务，可通过用户友好的可视化界面监控与管理优化任务。
• 性能优异：集成最先进（state-of-the-art）的优化算法，并可自动选择最优策略。
• 资源感知管理：为用户提供基于成本（时间、并行数等）的建议。
• 高效：充分利用并行资源，并利用迁移学习、多精度优化加速搜索。
• 规模可扩展：对于输入维度、目标维度、任务数、并行验证数量等有较好的可扩展性。
• 错误容忍、系统可扩展性、数据隐私保护。

Links

• 使用代码样例
• 文档
• Pypi包
• Conda包: to appear soon
• 博客: to appear soon

应用教程

• 使用OpenBox对LightGBM调参
• 使用OpenBox对XGBoost调参

性能实验结果

单目标优化问题

Ackley-4	Hartmann

单目标带约束优化问题

Mishra	Keane-10

多目标问题

DTLZ1-6-5	ZDT2-3

多目标带约束问题

CONSTR	SRN

安装教程

系统环境需求

安装需求：

• Python >= 3.6 （推荐版本为Python 3.7）

支持系统：

• Linux (Ubuntu, ...)
• macOS
• Windows

我们强烈建议您为OpenBox创建一个单独的Python环境，例如通过Anaconda:

conda create -n openbox3.7 python=3.7
conda activate openbox3.7

我们建议您在安装OpenBox之前通过以下命令更新pip和setuptools：

pip install pip setuptools --upgrade

通过PyPI安装（推荐）

使用以下命令通过PyPI安装OpenBox：

pip install openbox

通过源码手动安装

使用以下命令通过Github源码安装OpenBox：

（以下命令仅适用于Python >= 3.7，对于Python == 3.6，请参考安装文档 ）

git clone https://github.com/thomas-young-2013/open-box.git && cd open-box
cat requirements/main.txt | xargs -n 1 -L 1 pip install
python setup.py install --user --prefix=

如果您安装遇到问题，请参考我们的安装文档

快速入门

快速入门示例：

import numpy as np
from openbox import Optimizer, sp

# Define Search Space
space = sp.Space()
x1 = sp.Real("x1", -5, 10, default_value=0)
x2 = sp.Real("x2", 0, 15, default_value=0)
space.add_variables([x1, x2])

# Define Objective Function
def branin(config):
    x1, x2 = config['x1'], config['x2']
    y = (x2-5.1/(4*np.pi**2)*x1**2+5/np.pi*x1-6)**2+10*(1-1/(8*np.pi))*np.cos(x1)+10
    return y

# Run
if __name__ == '__main__':
    opt = Optimizer(branin, space, max_runs=50, task_id='quick_start')
    history = opt.run()
    print(history)

多目标带约束优化问题示例：

from openbox import Optimizer, sp

# Define Search Space
space = sp.Space()
x1 = sp.Real("x1", 0.1, 10.0)
x2 = sp.Real("x2", 0.0, 5.0)
space.add_variables([x1, x2])

# Define Objective Function
def CONSTR(config):
    x1, x2 = config['x1'], config['x2']
    y1, y2 = x1, (1.0 + x2) / x1
    c1, c2 = 6.0 - 9.0 * x1 - x2, 1.0 - 9.0 * x1 + x2
    return dict(objs=[y1, y2], constraints=[c1, c2])

# Run
if __name__ == "__main__":
    opt = Optimizer(CONSTR, space, num_objs=2, num_constraints=2,
                    max_runs=50, ref_point=[10.0, 10.0], task_id='moc')
    opt.run()
    print(opt.get_history().get_pareto())

更多示例：

• 单目标带约束优化
• 多目标优化
• 多目标带约束优化
• 单机并行验证
• 分布式并行验证
• LightGBM调参
• XGBoost调参

企业用户

• 阿里巴巴集团

• 快手科技

参与贡献

如果您在使用OpenBox的过程中遇到Bug，请向我们提交issue。如果您对Bug进行了修复，欢迎直接向我们提交。

如果您想要为OpenBox添加新功能、新模块等，请先开放issue，我们会与您讨论。

如果您想更好地了解如何参与项目贡献，请参考如何参与贡献页面。

我们在此感谢所有项目贡献者！

反馈

• 在GitHub上提交issue。
• 通过邮箱联系我们：[email protected]

相关项目

以开放性和推进AutoML生态系统为目标，我们还发布了一些其他的开源项目：

• MindWare : 提供端到端机器学习模型训练和预测功能的开源系统。

---

相关文献发表

OpenBox: A Generalized Black-box Optimization Service Yang Li, Yu Shen, Wentao Zhang, Yuanwei Chen, Huaijun Jiang, Mingchao Liu, Jiawei Jiang, Jinyang Gao, Wentao Wu, Zhi Yang, Ce Zhang, Bin Cui; ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2021). https://arxiv.org/abs/2106.00421

MFES-HB: Efficient Hyperband with Multi-Fidelity Quality Measurements Yang Li, Yu Shen, Jiawei Jiang, Jinyang Gao, Ce Zhang, Bin Cui; The Thirty-Fifth AAAI Conference on Artificial Intelligence (AAAI 2021). https://arxiv.org/abs/2012.03011

许可协议

我们的代码遵循MIT许可协议。