cmaes : A Simple yet Practical Python Library for CMA-ES

CMA-ES（协方差矩阵适应进化策略）在黑盒连续优化中表现出极高的效果，其在基准问题和各种实际应用中的成功得到了证明。为了满足在该领域中需要一个易用而强大的工具的需求，我们开发了cmaes，一个简单实用的Python库，用于CMA-ES。cmaes的特点是简单易用，代码可读性高，因此适合快速使用CMA-ES，教育目的以及与其他库的无缝集成。尽管其设计简单，但cmaes仍然具有增强的功能。它包括CMA-ES的最新进展，例如用于挑战性场景的学习率适应、迁移学习和混合整数优化能力。这些高级功能通过用户友好的API实现，确保cmaes可以轻松地应用于实际应用中。我们认为cmaes是从实践者角度来看Python CMA-ES库的首选。该软件在MIT许可下提供，可在https://github.com/CyberAgentAILab/cmaes上获取。

论文旨在解决黑盒连续优化中的问题，通过开发一个简单实用的Python库cmaes来提供CMA-ES算法的易用性和高可读性。

cmaes库的设计旨在提供直观易用、高可读性的CMA-ES算法，同时保持先进的功能，如学习率自适应、迁移学习和混合整数优化等。

cmaes库提供了一个用户友好的API，使其易于在实际应用中采用。该库的其他亮点包括其高效的性能、对最新CMA-ES进展的支持以及开源代码的可用性。

在该领域中，最近的相关研究包括使用CMA-ES进行黑盒优化的其他算法和库，如scipy.optimize.minimize和nevergrad。