Algoritmo Multiobjetivo

Neste notebook, usaremos o Reference Vector Guided Evolutionary Algorithm (RVEA) para encontrar as soluções ótimas do 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) Use GPU para executar o código

Muitas vezes preferimos executar nosso código em uma GPU para uma execução mais rápida. No entanto, se uma GPU não estiver disponível, a execução em uma CPU também é aceitável.

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

Exemplo de execução: RVEA no problema DTLZ2

O código a seguir é usado para configurar o problema DTLZ2 e o algoritmo RVEA. Mais informações sobre o problema e o algoritmo podem ser encontradas na seção correspondente da documentação.

# 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)

Com essa configuração pronta, podemos agora começar a otimizar. Definimos para deixar o algoritmo multiobjetivo otimizar por 100 passos neste 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()