Algoritmo Multi-Obiettivo

In questo notebook, utilizzeremo il Reference Vector Guided Evolutionary Algorithm (RVEA) per trovare le soluzioni ottimali 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

(Opzionale) Usare la GPU per eseguire il codice

Spesso preferiamo eseguire il nostro codice su una GPU per un’esecuzione più veloce. Tuttavia, se una GPU non è disponibile, l’esecuzione su una CPU è comunque accettabile.

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

Esempio di esecuzione: RVEA sul problema DTLZ2

Il codice seguente serve a configurare il problema DTLZ2 e l’algoritmo RVEA. Maggiori informazioni sul problema e sull’algoritmo sono disponibili nella sezione corrispondente della documentazione.

# 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 questa configurazione pronta, possiamo ora iniziare l’ottimizzazione. Impostiamo l’algoritmo multi-obiettivo per ottimizzare per 100 step su questo 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()