목적값이 좋아도 제약을 만족해야 유용한 후보입니다. EvoMO는 2026년 10월 30일 PR #48을 main에 병합해 기존 다목적 알고리즘의 제약 처리를 확장하고 개체군 상태 관리를 수정했습니다. 어떤 해를 남길지, 저장된 상태의 대응을 어떻게 유지할지, 선택에 얼마나 많은 계산이 필요한지를 함께 다룹니다.

개념 삽화: 선택 과정에서도 실행 가능성 정보가 후보를 따라갑니다.
전체 과정에서 제약 정보를 유지하기
제약 문제는 목적값과 제약 위반량을 묶은 (fitness, cv)를 반환할 수 있습니다. 구현은 초기화, 탐색 평가, 교배, 아카이브, 생존자 갱신까지 이를 전달합니다. 공통 도구는 양의 총 위반량, 동률, 여러 제약 형태를 처리하면서 결정변수, 적합도, 제약 상태의 인덱스를 맞춥니다.
선택 중 두 후보가 위치를 바꾸면 실행 가능성 정보도 함께 움직여야 합니다. 엄격한 운용 한도 안에서 성능과 자원 사용량을 조정하는 설계에서는 목적만 정렬하면 매력적이지만 실행 불가능한 해를 남길 수 있습니다. 제약 상태를 유지하면 각 알고리즘이 문서에 명시된 선택 규칙을 적용할 수 있습니다. 구체적인 규칙은 알고리즘마다 다릅니다.
홀수 개체군도 올바르게 처리하기
같은 변경은 SparseEA, SparseEA2, DMMOEA, OSP_NSDE 등 여덟 알고리즘에서 요청 개체 수가 51처럼 홀수일 때 첫 세대에 발생하던 형태 불일치를 수정합니다. 부모 짝짓기와 자손 수가 마스크, 적합도, 제약과 일치합니다. 개체 수를 편리한 짝수가 아닌 실험 예산에 따라 정할 때 중요합니다.
희소·동적 알고리즘에는 참조 흐름을 따르는 수정도 적용됩니다. DMMOEA는 표본 해를 재평가해 환경 변화를 감지하고 적합도 및 제약 캐시를 갱신합니다. SparseEA 계열은 변이와 선택에서 결정변수와 희소 마스크를 함께 유지합니다. 이는 단순한 실행 완료를 넘어 실제로 어떤 탐색이 수행되는지를 결정합니다.
선택 가속의 명확한 적용 범위
OSP-NSDE는 이웃 거리를 한 번 정렬하고 삭제 후 갱신합니다. 선택적 Triton 커널은 지원되는 경계 프런트 절단을 CUDA로 옮깁니다. 자동 경로는 지원 장치, float32/float64, 요청 개체 수 128 이하에 적용되며 다른 구성은 PyTorch를 사용합니다. 비지배 정렬은 계속 PyTorch에서 수행됩니다.
컴파일은 먼저 초기화한 뒤 torch.compile(workflow.step, fullgraph=False)를 사용합니다. 예측, 지역 탐색, 혼합 모델에는 eager 구간이 남습니다. PR의 RTX 5060 Ti 로컬 측정은 동기화된 시간과 고정 예산을 사용하며, 전체 실행에서는 컴파일이 최적화된 eager보다 항상 빠르지는 않습니다. 전체 작업을 측정해 경로를 선택해야 합니다.
컴파일은 난수 생성과 부동소수점 실행도 바꿀 수 있으므로 같은 시드라도 탐색 궤적이 같지는 않을 수 있습니다. PR의 CUDA ZDT3 5개 시드 비교에서는 컴파일 경로의 평균 IGD가 eager 실행보다 나빴습니다. 실행 방식을 선택하기 전에 같은 평가 예산으로 해의 품질과 실행 시간을 함께 비교해야 합니다. 품질 비교
규모를 늘리기 전에 탐색 검증하기
MaOEAHAP, NRVMOEA, HEA, GCNMOEA가 공개 알고리즘으로 추가됩니다. 앞의 세 알고리즘은 제약 튜플을 명시적으로 거부합니다. GCNMOEA는 이웃 교체에 제약 위반량을 사용하지만 다른 구성 요소는 목적 기반입니다. 모든 방법을 서로 바꿔 쓸 수 있다고 보기 전에 범위를 확인해야 합니다.
기존 실험은 병합된 소스, 시드, 평가 예산을 고정하고 한 단계 뒤 저장된 목적·제약 값을 재평가 결과와 비교하십시오. 홀수 개체군과 제약 사례를 포함하고 실행 가능성, 해 품질, 시간을 별도로 기록합니다. 이전 EvoMO 버전 소개가 배포된 기준을, 이 main 변경이 후속 제약 및 선택 개선을 제공합니다.