Algoritmo Multiobjetivo

En este notebook, utilizaremos el Reference Vector Guided Evolutionary Algorithm (RVEA) para encontrar las soluciones óptimas del problema DTLZ2.

import time
import torch

from evox.algorithms import RVEA
from evox.metrics import igd
from evox.problems.numerical import DTLZ2
from evox.workflows import StdWorkflow, EvalMonitor

(Opcional) Usar GPU para ejecutar el código

A menudo preferimos ejecutar nuestro código en una GPU para una ejecución más rápida. Sin embargo, si no hay una GPU disponible, ejecutarlo en una CPU también es aceptable.

# Use GPU first to run the code.
torch.set_default_device("cuda" if torch.cuda.is_available() else "cpu")
print(torch.get_default_device())

Ejemplo de ejecución: RVEA en el problema DTLZ2

El siguiente código se utiliza para configurar el problema DTLZ2 y el algoritmo RVEA. Se puede encontrar más información sobre el problema y el algoritmo en la sección correspondiente de la documentación.

# Init the problem, algorithm and workflow.
prob = DTLZ2(m=3)
pf = prob.pf()
algo = RVEA(pop_size=100, n_objs=3, lb=-torch.zeros(12), ub=torch.ones(12))
monitor = EvalMonitor()
workflow = StdWorkflow(algo, prob, monitor)
compiled_step = torch.compile(workflow.step)

Con esta configuración lista, ahora podemos comenzar a optimizar. Configuramos el algoritmo multiobjetivo para que optimice durante 100 pasos en este problema.

# Run the workflow for 100 steps
t = time.time()
workflow.init_step()
for i in range(100):
    compiled_step()
    fit = workflow.algorithm.fit
    fit = fit[~torch.isnan(fit).any(dim=1)]
    if i % 10 == 0:
        print(igd(fit, pf))

monitor.plot()