Algoritmo Multiobjetivo

Neste notebook, usaremos o Algoritmo Evolutivo Guiado por Vetor de Referência (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) Usar GPU para executar o código

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

# Use GPU primeiro para executar o código.
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.

# Inicializar o problema, algoritmo e 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 que o algoritmo multiobjetivo otimize por 100 passos neste problema.

# Executar o workflow por 100 passos
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()