Algoritmo Multi-Objetivo

Neste notebook, utilizaremos 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) Utilizar GPU para executar o código

Muitas vezes preferimos executar o nosso código numa GPU para uma execução mais rápida. No entanto, se uma GPU não estiver disponível, a execução numa 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 seguinte é utilizado para configurar o problema DTLZ2 e o algoritmo RVEA. Pode encontrar mais informações sobre o problema e o algoritmo na secção 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 esta configuração preparada, podemos agora começar a otimizar. Definimos que o algoritmo multi-objetivo otimize durante 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()