Classe base para algoritmos de otimização.

Esta classe define a interface central para estratégias de otimização e mantém o histórico de custos, soluções avaliadas e a melhor solução encontrada. Subclasses devem implementar os métodos optimize e objective_function.

---

Propriedades

cost_history

@property
def cost_history(self) -> List[float]

Retorna o histórico de custos durante a otimização.

---

solution_history

@property
def solution_history(self) -> List

Retorna o histórico de soluções avaliadas.

---

best_solution

@property
def best_solution(self) -> Optional[Any]

Retorna a melhor solução encontrada até o momento, ou None se não disponível.

---

best_cost

@property
def best_cost(self) -> Optional[float]

Retorna o custo da melhor solução encontrada até o momento, ou None se não disponível.

---

Funções

Função _record_best(...)

def _record_best(self, cost: float, best_solution: Any) -> None

Registra um novo valor de custo e atualiza a melhor solução se houver melhoria.

Parâmetros:

• cost: float - Valor de custo a ser adicionado ao histórico.

---

Função get_report()

def get_report(self) -> str

Gera um relatório resumido e formatado do processo de otimização. O relatório inclui a melhor solução, seu custo associado e a evolução dos valores de custo por iteração.

Retorna:

• report: str - String formatada contendo o resumo da otimização.

---

Função register(...)

def register(self, alias: str, function: Callable[..., Any]) -> None

Registra dinamicamente uma função na instância do otimizador.

Parâmetros:

• alias: str - Nome usado para acessar a função como atributo.
• function: Callable[..., Any] - Callable a ser registrado.

Exceções:

• TypeError: Se function não for chamável.
• AttributeError: Se alias for protegido e não puder ser modificado, ou se alias não existir na classe do otimizador.

---

Função reset()

def reset(self)

Reinicia o estado interno do objeto, limpando o histórico e resetando os valores.

---

Métodos abstratos

Função optimize(...)

def optimize(self, max_iters: int = 50, n_iter_no_change=10, verbose: bool = True) -> Any

Executa o processo de otimização. Este método deve ser implementado pela subclasse para definir como a estratégia de otimização explora o espaço de busca.

Parâmetros:

• max_iters: int - Número máximo de iterações.
• n_iter_no_change: int, padrão=10 - Número máximo de iterações sem atualização da melhor solução.
• verbose: bool, padrão=True - Flag para habilitar ou desabilitar saída detalhada durante a otimização.

Retorna:

• best_solution: Any - A melhor solução encontrada pelo algoritmo de otimização.

---

Função affinity_function(...)

def affinity_function(self, solution: Any) -> float

Avalia a afinidade de uma solução candidata. Este método deve ser implementado pela subclasse para definir o problema específico.

Parâmetros:

• solution: Any - Solução candidata a ser avaliada.

Retorna:

• cost: float - Valor de custo associado à solução fornecida.