目的値が優れていても、制約を満たさなければ有用な解にはなりません。EvoMO は 2026 年 10 月 30 日に PR #48 を main にマージし、既存の多目的アルゴリズムの制約処理を拡張するとともに、集団の状態管理を修正しました。残す解の選択、保存状態の対応関係、選択処理の計算費用という、実験で同時に問題になりやすい三点を扱います。

概念図:実行可能性の情報が選択中も候補に付随します。
実行可能性を処理全体で維持する
制約付き問題は (fitness, cv) を返し、目的値と制約違反量を組にできます。実装は初期化、探索用評価、交配、アーカイブ、生存個体更新までこの情報を伝えます。共通ユーティリティは正の総違反量、同値、異なる制約形状を扱い、決定変数、適応度、制約状態の添字を一致させます。
選択中に二つの候補が位置を入れ替えるなら、実行可能性の情報も一緒に動く必要があります。厳しい運用上限の下で性能と資源使用量を両立する設計では、目的値だけの整列は魅力的でも実行不可能な案を残しかねません。制約状態を保持することで、各アルゴリズムが文書化された規則を適用できます。具体的な規則はアルゴリズムごとに異なります。
奇数の集団サイズも正しく扱う
同じ変更は、要求個体数が 51 などの場合に初代で発生する形状不一致を八つのアルゴリズムで修正します。SparseEA、SparseEA2、DMMOEA、OSP_NSDE などが対象です。親の組合せと子の数が、マスク、適応度、制約と整合します。個体数を都合のよい偶数ではなく実験予算から決める場合に重要です。
疎な表現や動的環境のアルゴリズムにも参照処理との整合修正があります。DMMOEA は抽出した解を再評価して環境変化を検出し、適応度と制約のキャッシュを更新します。SparseEA 系は変異と選択で決定変数と疎性マスクの対応を保ちます。これは単に完走するかではなく、実際にどの探索を実行するかに関わります。
選択の高速化と実行範囲
OSP-NSDE は近傍距離を一度整列し、削除後に更新します。任意の Triton カーネルで対応する打切りフロントの削減を CUDA 上に移します。自動経路は対応デバイス、float32/float64、要求個体数 128 以下が対象で、それ以外は PyTorch を使います。非劣ソートは引き続き PyTorch です。
コンパイルでは初期化後に torch.compile(workflow.step, fullgraph=False) を使います。予測、局所探索、混合モデルには eager 実行が残ります。PR の RTX 5060 Ti 測定は同期計時と固定予算を使い、全体実行ではコンパイルが最適化済み eager より常に速いわけではないことも示します。全処理を測って経路を選ぶべきです。
コンパイルは乱数生成や浮動小数点の実行も変え得るため、同じシードでも探索軌跡が一致するとは限りません。PR の CUDA ZDT3 における5シードの比較では、コンパイル実行の平均 IGD は eager 実行より悪化しました。実行方式を選ぶ前に、同じ評価予算で解の品質と実行時間を比較してください。品質の比較
規模を広げる前に探索を確認する
公開アルゴリズムとして MaOEAHAP、NRVMOEA、HEA、GCNMOEA が加わります。前の三つは制約タプルを明示的に拒否します。GCNMOEA は近傍置換に制約違反量を用いますが、他の部分は目的値に基づきます。すべてを同じように交換できると考える前に範囲を確認してください。
既存実験ではマージ済みソース、シード、評価予算を固定し、一ステップ後の保存目的値と制約値を再評価と照合します。奇数個体数と制約付き事例を含め、実行可能性、解品質、時間を別々に記録します。以前の EvoMO バージョン概要 が公開版の基準を、この main 更新が後続の制約・選択処理を説明します。