多目标算法

在本 Notebook 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。但是，如果没有 GPU，在 CPU 上运行也是可以接受的。

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

运行示例：RVEA 求解 DTLZ2 问题

以下代码用于设置 DTLZ2 问题和 RVEA 算法。关于问题和算法的更多信息可以在文档的相应部分找到。

# 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)

设置完成后，我们现在可以开始优化。我们将该多目标算法设置为在此问题上优化 100 步。

# 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()