LingMinOpt 快速启动指南

🎯 立即开始使用 LingMinOpt

方式1：运行演示程序

cd /home/ai/LingFlow
python demo_lingminopt.py

演示程序会展示： 1. 搜索空间定义和使用 2. 贝叶斯优化（Rastrigin函数） 3. 多目标优化（Pareto前沿） 4. 实际代码结构优化

方式2：在你的项目中使用

基础优化

from lingflow.self_optimizer.phase4 import SearchSpace, OptimizationEngine, OptimizationConfig

# 1. 定义搜索空间
search_space = SearchSpace()
search_space.add_discrete("max_depth", [5, 10, 15, 20])
search_space.add_discrete("min_samples_split", [2, 5, 10])
search_space.add_continuous("min_weight_fraction_leaf", 0.0, 0.5)

# 2. 定义评估函数
def evaluate(params):
    # 你的模型训练和评估逻辑
    model = train_model(**params)
    score = model.evaluate(validation_data)
    return score  # 越小越好

# 3. 配置优化器
config = OptimizationConfig(
    max_experiments=30,
    time_budget=600,
    early_stopping_patience=10,
    acquisition_function="EI"
)

# 4. 运行优化
optimizer = OptimizationEngine(
    search_space=search_space,
    evaluate=evaluate,
    config=config
)

result = optimizer.run()

print(f"最佳参数: {result.best_params}")
print(f"最佳分数: {result.best_objective}")

多目标优化

from lingflow.self_optimizer.phase4 import MultiObjectiveOptimizer

# 1. 定义多目标评估
def multi_evaluate(params):
    model = train_model(**params)
    return {
        "accuracy": model.accuracy,      # 最大化
        "training_time": model.time,     # 最小化
        "model_size": model.size         # 最小化
    }

# 2. 创建多目标优化器
multi_opt = MultiObjectiveOptimizer(
    search_space=search_space,
    evaluate=multi_evaluate,
    objectives=["accuracy", "training_time", "model_size"],
    directions=["maximize", "minimize", "minimize"]
)

# 3. 运行优化
pareto_front = multi_opt.run(max_iterations=100)

# 4. 查看Pareto前沿
for point in pareto_front[:10]:
    print(f"参数: {point.params}")
    print(f"目标: {point.objectives}")

方式3：优化LingFlow代码结构

from lingflow.self_optimizer import quick_optimize

# 快速优化
result = quick_optimize(
    target="/path/to/your/code",
    goal="structure",  # structure, performance, or simplicity
    async_mode=False
)

print(f"优化完成！")
print(f"最佳参数: {result.best_params}")
print(f"改进: {result.improvement_percentage:.1f}%")

📊 API 文档

SearchSpace

搜索空间定义类。

方法: - add_discrete(name, choices): 添加离散参数 - add_continuous(name, min_val, max_val): 添加连续参数 - add_categorical(name, choices): 添加分类参数 - sample(): 随机采样 - map_to_vector(params): 参数转向量 - map_to_params(vector): 向量转参数

示例:

space = SearchSpace()
space.add_discrete("n_estimators", [50, 100, 200])
space.add_continuous("learning_rate", 0.001, 0.1)
space.add_categorical("criterion", ["gini", "entropy"])

params = space.sample()
# {"n_estimators": 100, "learning_rate": 0.05, "criterion": "gini"}

OptimizationEngine

优化引擎类。

参数: - search_space: SearchSpace实例 - evaluate: 评估函数，接收参数字典，返回数值 - config: OptimizationConfig配置

方法: - run(): 运行优化，返回OptimizationResult

OptimizationResult属性: - best_params: 最佳参数字典 - best_objective: 最佳目标值 - total_experiments: 总实验次数 - total_time: 总耗时（秒） - improvement_percentage: 改进百分比

OptimizationConfig

优化配置类。

参数: - max_experiments: 最大实验次数（默认50） - time_budget: 时间预算，秒（默认300） - early_stopping_patience: 早停耐心值（默认10） - direction: "minimize"或"maximize"（默认"minimize"） - acquisition_function: "EI", "UCB", "PI"（默认"EI"） - n_initial_points: 初始采样点数（默认10）

🎓 高级用法

自定义采集函数

from lingflow.self_optimizer.phase4 import OptimizationEngine

class CustomOptimizer(OptimizationEngine):
    def _suggest_next(self):
        # 实现你的采集函数
        # 例如：Thompson Sampling, Knowledge Gradient等
        pass

optimizer = CustomOptimizer(
    search_space=search_space,
    evaluate=evaluate,
    config=config
)

并行优化

from concurrent.futures import ProcessPoolExecutor

def parallel_evaluate(params_list):
    with ProcessPoolExecutor(max_workers=4) as executor:
        results = list(executor.map(evaluate, params_list))
    return results

# 在优化循环中使用并行评估

优化历史可视化

import matplotlib.pyplot as plt

# 绘制收敛曲线
plt.plot(result.convergence_curve)
plt.xlabel('Iteration')
plt.ylabel('Objective')
plt.title('Optimization Progress')
plt.show()

# 绘制参数分布
import pandas as pd
df = pd.DataFrame([e.params for e in result.history])
df.boxplot()
plt.show()

🔧 故障排除

问题1：评估函数很慢

解决方案： 1. 使用异步优化：async_mode=True 2. 减少max_experiments 3. 设置合理的time_budget 4. 使用并行评估

问题2：优化结果不理想

解决方案： 1. 增加n_initial_points进行更好的初始探索 2. 扩大搜索空间范围 3. 尝试不同的acquisition_function 4. 检查评估函数是否正确

问题3：内存不足

解决方案： 1. 定期清理历史：optimizer.history.clear() 2. 使用参数缓存：CachedParameterStore 3. 分批优化，每次优化部分参数

📚 更多资源

完整文档：LINGMINOPT_SELF_OPTIMIZATION_MASTER_PLAN.md
API文档：docs/api/self_optimizer.md
示例代码：demo_lingminopt.py
测试：tests/test_self_optimizer/

💬 获取帮助

GitHub Issues: https://github.com/guangda88/LingFlow/issues
文档: https://lingflow.readthedocs.io/
社区讨论: https://github.com/guangda88/LingFlow/discussions