Многокритериальный алгоритм

В этом блокноте мы будем использовать эволюционный алгоритм с направляющими векторами (RVEA) для поиска оптимальных решений задачи 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

(Опционально) Использование GPU для запуска кода

Мы часто предпочитаем запускать наш код на GPU для более быстрого выполнения. Однако, если GPU недоступен, запуск на CPU также допустим.

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

Пример запуска: RVEA на задаче DTLZ2

Следующий код используется для настройки задачи DTLZ2 и алгоритма RVEA. Дополнительную информацию о задаче и алгоритме можно найти в соответствующем разделе документации.

# 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)

После завершения настройки мы можем приступить к оптимизации. Мы настроим многокритериальный алгоритм на выполнение 100 шагов оптимизации для этой задачи.

# 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()