← 返回项目索引
经典进化策略
pycma
CMA-ES 官方 Python 参考实现，适用于非凸、病态、多模态和噪声连续优化问题，含边界/约束处理、噪声处理和混合整数优化支持。
1. 它在图谱里的角色
为什么把它列入复查队列
pycma 属于 经典进化策略，在 Self Evolve 图谱中是 进化/搜索循环 → 评估器/打分器 这一类机制的来源可追踪样本。 读者应优先检查它把自进化问题落到哪些可检查的工程环节：生成、反馈、评估、记忆、搜索、编排或训练数据闭环。
2. 进化机制
它如何产生改进信号
当前归档的机制链是：进化/搜索循环 → 评估器/打分器。阅读时应优先确认三件事：改进对象是什么，反馈信号来自哪里，评估是否能阻止退化。
进化/搜索循环CMA-ES无导数优化
3. 教学用法
可以如何用于教学或复查
可以把它当作 经典进化策略 的案例卡来教学，但教学重点应放在“目标任务 -> 反馈来源 -> 改动策略 -> 评估指标 -> 失败模式”五步，而不是把它当作质量背书。
4. 工程表面
技术栈与可运行性线索
主要语言是 Python，记录的技术栈包括：Python、NumPy、matplotlib。许可证记录为 BSD-3-Clause，最近活跃日期为 2025-01-01。
5. 证据链
从原始材料到分析
站内数据保留了 GitHub 源、局部镜像路径和公开报告路径。这里的证据链优先说明“材料从哪里来、我们如何归类、哪里还没有复现”，而不是替原项目做最终质量裁决。
- GitHub: https://github.com/CMA-ES/pycma
- Local mirror:
repos/cma_es__pycma - Source report: site/public/reports/projects/30-pycma-cma-es.md
- Published report path: /reports/projects/30-pycma-cma-es/
6. 读者问题
继续深挖时问什么
- 这个项目的评估信号能否稳定复现，还是只在 demo 中成立？
- 它改进的是 prompt、工具、记忆、代码、策略、数据，还是完整 agent 组织？
- 失败样本会不会被保存，并在下一轮产生行为改变？
- 它和同类项目相比，多出来且可复查的机制是什么？