Многоцелевой алгоритм

В этом ноутбуке мы будем использовать эволюционный алгоритм с направляющими опорными 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 выполнения кода

Мы часто предпочитаем запускать код на GPU для более быстрого выполнения. Однако, если GPU недоступен, выполнение на CPU также допустимо.

# Сначала попробовать использовать GPU для выполнения кода.
torch.set_default_device("cuda" if torch.cuda.is_available() else "cpu")
print(torch.get_default_device())

Пример выполнения: 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.

# Инициализация задачи, алгоритма и рабочего процесса.
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)

С этой настройкой мы можем начать оптимизацию. Мы зададим многоцелевому алгоритму 100 шагов оптимизации для этой задачи.

# Запуск рабочего процесса на 100 шагов
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()