BoTorch 是基于 PyTorch 的贝叶斯优化库，提供丰富的测试函数和基准评估工具。介绍其测试函数体系，涵盖单目标、多目标及多保真度等场景，包括基础接口、合成函数及约束问题。详细说明了导入、初始化、评估函数值及访问属性的完整流程。同时介绍了单目标（累计悔恨值、成功率）和多目标（超体积、Pareto 前沿距离）的评估指标。应用场景包括算法开发调试、比较研究及参数调优。支持自定义测试函数和带约束条件的问题设置，为优化算法的性能验证提供标准化环境。
BoTorch 是一个基于 PyTorch 的贝叶斯优化库，提供了丰富的测试函数和基准评估工具，帮助开发者验证和比较优化算法的性能。本文将详细介绍 BoTorch 的测试函数体系、使用方法以及如何通过基准评估确保优化算法的有效性。
BoTorch 的测试函数模块位于 botorch/test_functions/ 目录下，提供了从简单到复杂的多种测试问题，涵盖单目标、多目标、带约束条件等不同场景。这些测试函数是评估优化算法性能的黄金标准，能够模拟真实世界中的各种优化挑战。
BoTorch 测试函数主要分为以下几类：
botorch/test_functions/base.py，定义了测试函数的基本接口和属性botorch/test_functions/synthetic.py，包含经典的单目标优化问题botorch/test_functions/multi_objective.py，用于多目标优化场景botorch/test_functions/multi_fidelity.py，支持多保真度优化问题BoTorch 实现了多种经典的单目标测试函数，适用于不同特性的优化算法测试：
这些函数都继承自 SyntheticTestFunction 类，提供统一的接口进行函数评估和性能指标计算。
from botorch.test_functions.synthetic import Ackley, Branin, Rosenbrock
from botorch.test_functions.multi_objective import DTLZ2
# 单目标测试函数
ackley = Ackley(dim=5) # 5 维 Ackley 函数
branin = Branin() # 2 维 Branin 函数
# 多目标测试函数
dtlz2 = DTLZ2(dim=6, num_objectives=2) # 6 维输入，2 个目标的 DTLZ2 函数
import torch
# 生成测试点
X = torch.rand(10, ackley.dim) # 生成 10 个随机测试点
# 评估函数值（带噪声）
Y = ackley(X)
# 评估真实函数值（不带噪声）
Y_true = ackley.evaluate_true(X)
# 获取问题边界
print("Ackley 函数边界:", ackley.bounds)
# 获取全局最优值
print("Branin 函数最优值:", branin.optimal_value)
# 获取最优解
print("Rosenbrock 函数最优解:", rosenbrock.optimal_x)
BoTorch 提供了多种指标来评估单目标优化算法的性能：
对于多目标优化问题，BoTorch 支持以下评估指标：
from botorch.utils.multi_objective.hypervolume import Hypervolume
# 计算超体积
hv = Hypervolume(ref_point=dtlz2.ref_point)
hypervolume = hv.compute(Y_pareto)
测试函数为优化算法开发提供了标准化的评估环境：
def test_my_optimizer(optimizer, test_function, num_trials=10):
regrets = []
for _ in range(num_trials):
# 运行优化算法
best_value = optimizer.optimize(test_function)
# 计算悔恨值
regret = best_value - test_function.optimal_value
regrets.append(regret)
return torch.mean(torch.tensor(regrets))
通过在多个测试函数上比较不同算法的性能，可以客观评估算法的优劣。
测试函数可用于优化算法自身参数的调优：
from botorch.optim import optimize_acqf
# 使用测试函数优化算法超参数
def tune_hyperparameters(hyperparameter_space):
def objective(params):
# 设置算法参数
algorithm = MyAlgorithm(params=params)
# 在多个测试函数上评估性能
performance = evaluate_algorithm(algorithm, [Ackley(), Branin(), Rosenbrock()])
return -performance # 转为最小化问题
# 优化超参数
optimal_params = optimize_acqf(
acq_function=objective,
bounds=hyperparameter_space,
q=1,
num_restarts=5,
raw_samples=20
)
return optimal_params
通过继承基础类，可以创建自定义测试函数：
from botorch.test_functions.base import SyntheticTestFunction
class MyTestFunction(SyntheticTestFunction):
dim = 3
_bounds = [(-5.0, 5.0) for _ in range(dim)]
_optimal_value = 0.0
_optimizers = [(0.0, 0.0, 0.0)]
def _evaluate_true(self, X: Tensor) -> Tensor:
# 定义自定义函数
return torch.sum(X ** 2, dim=-1)
BoTorch 支持带约束条件的测试问题，位于 botorch/test_functions/base.py 中的 ConstrainedBaseTestProblem 类：
from botorch.test_functions.base import ConstrainedBaseTestProblem
class ConstrainedProblem(ConstrainedBaseTestProblem):
num_constraints = 1
def _evaluate_true(self, X: Tensor) -> Tensor:
# 目标函数
return X.pow(2).sum(dim=-1)
def _evaluate_slack_true(self, X: Tensor) -> Tensor:
# 约束条件：x1 + x2 <= 1
return 1 - X[..., :2].sum(dim=-1, keepdim=True)
多保真度测试函数位于 botorch/test_functions/multi_fidelity.py，支持不同保真度下的函数评估：
from botorch.test_functions.multi_fidelity import AugmentedBranin
# 初始化多保真度测试函数
aug_branin = AugmentedBranin()
# 在不同保真度下评估
X = torch.rand(10, 3) # 最后一维为保真度参数
Y = aug_branin(X)
BoTorch 的测试函数模块为优化算法开发和评估提供了全面的工具支持。通过本文介绍的测试函数和评估方法，开发者可以：
无论是学术研究还是工业应用，合理利用这些测试函数都能显著提高优化算法的开发效率和可靠性。要深入了解更多测试函数的细节，可以参考 BoTorch 的官方文档和源代码实现。
通过 BoTorch 提供的丰富测试函数和评估工具，开发者可以构建更加稳健、高效的优化算法，应对各种复杂的现实优化问题。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online