多目标算法

在本教程中，我们将使用参考向量引导进化算法（RVEA）来寻找 DTLZ2 问题的最优解。

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

（可选）使用 GPU 运行代码

我们通常倾向于在 GPU 上运行代码以获得更快的执行速度。但如果 GPU 不可用，在 CPU 上运行也是可以的。

# 优先使用 GPU 运行代码。
torch.set_default_device("cuda" if torch.cuda.is_available() else "cpu")
print(torch.get_default_device())

运行示例：在 DTLZ2 问题上运行 RVEA

以下代码用于设置 DTLZ2 问题和 RVEA 算法。有关问题和算法的更多信息，请参阅文档的相应章节。

# 初始化问题、算法和工作流。
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)

完成设置后，我们现在可以开始优化。我们设置让多目标算法在此问题上优化 100 步。

# 运行工作流 100 步
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()