La optimización multiobjetivo necesita más que evaluación rápida: selección que preserve compromisos, fórmulas correctas y estado recuperable. EvoMO v0.3.1, publicado el 8 de octubre de 2026 en hora de Pekín, añade documentación. Las principales ampliaciones y correcciones llegaron con v0.3.0 el 24 de septiembre.

Una colección de instrumentos de búsqueda sobre objetivos en competencia

Ilustración conceptual: distintos algoritmos exploran distintos compromisos útiles.

Más algoritmos sobre una base tensorial común

v0.3.0 incorpora 48 algoritmos multiobjetivo tensorizados. La base compartida facilita comparar en un mismo flujo de evaluación manteniendo distintas reglas de selección, variación y actualización.

Para objetivos en competencia, pueden fijarse problema, límites, población y presupuesto cambiando solo el algoritmo. El valor está en disponer de otros comportamientos de búsqueda. La cantidad de métodos no demuestra mejores compromisos para una tarea específica.

Las correcciones afectan a la propia comparación

La versión corrige actualización y selección en varios métodos. La ordenación no dominada se detiene tras completar el frente límite necesario; la distancia de crowding trata objetivos constantes, poblaciones pequeñas, máscaras y dispositivos. PyTorch sigue siendo predeterminado; Triton es experimental y se selecciona explícitamente. Cambios de selección

ZDT1–4 y ZDT6 reciben correcciones por fila, incluido el cálculo dependiente de dimensión de ZDT6. El hipervolumen Monte Carlo se corrige para minimización, referencias, entradas vacías y dispositivos de muestreo. Si un estudio utilizaba esas rutas, conserva los resultados antiguos y repite comparaciones controladas sin mezclar definiciones.

Revisar restricciones y simulación por separado

La serie parte de los 86 benchmarks restringidos, NSGA-II con restricciones y UnifiedWorkflow de v0.2.2. Añade registro diferido de búferes de restricciones, recuperación de checkpoints y recursos de frentes Pareto en las distribuciones. Base restringida

MoRobtrol incorpora Playground/MJX, objetivos específicos y visualización, con mejoras en normalización y checkpoints. En robótica, registra simulador y definición de objetivos con el mismo cuidado que el optimizador: un frente mejor puede reflejar una tarea o métrica diferente. Simulación e integración

Actualizar con un pequeño experimento de referencia

La guía versionada instala primero EvoX. Usa pip install evox y después pip install evomo==0.3.1, registrando dependencias resueltas. La instalación fuente puede fijar v0.3.1. Este parche añade documentación; las funciones se explican en v0.3.0.

Antes de un benchmark grande, comprueba un objetivo conocido, una selección pequeña y la restauración del estado. En problemas restringidos, verifica viabilidad y calidad; para hipervolumen, conserva referencia y muestreo. La presentación multiobjetivo GPU explica la tensorización; v0.3 aporta una base experimental más amplia y definida.

← Volver a lanzamientosVolver arriba ↑