只有满足问题约束,好的目标值才有意义。2026 年 10 月 30 日,EvoMO 将 PR #48 合入 main,为已有多目标算法扩展约束处理,并修正种群状态管理。这次更新把实验中常同时出现的三个问题联系起来:哪些解被保留、它们的状态是否始终对应,以及选择过程需要多少计算。

候选路径通过选定的入口穿越约束边界

概念插画:可行性信息在选择过程中始终跟随候选解。

可行性需要贯穿整个流程

约束问题可以返回 (fitness, cv),同时提供目标值和约束违反量。合入后的实现会在初始化、探测、交配、档案维护和生存者更新中传递这些信息。共享工具处理正的总违反量、并列值和不同约束形状,同时保持决策、适应度和约束状态的索引一致。

两个候选解在选择中交换位置时,可行性信息必须跟随移动。例如,在硬性运行限制下平衡性能和资源消耗的设计搜索,如果只按目标排序,可能保留看似优秀却不可行的方案。携带约束状态后,每种算法才能按其文档规定的规则选择;具体规则仍由算法决定。

奇数种群也应保持有效

此次更新还修复了八种算法在请求种群大小为 51 等奇数时的首代形状不匹配,包括 SparseEA、SparseEA2、DMMOEA 和 OSP_NSDE。父代配对及子代数量现在与掩码、适应度和约束保持一致。当种群规模来自实验预算,而非方便的偶数时,这一点尤其有用。

稀疏和动态算法也获得了参考流程修正。DMMOEA 通过重新评估抽样解检测环境变化,并刷新缓存的适应度及约束值。SparseEA 系列在变异和选择中保持决策变量与稀疏掩码对应。这些细节决定实际执行的是哪一种搜索,而不仅是程序能否跑完。

选择加速有明确的执行范围

OSP-NSDE 对邻居距离排序一次,并在删除候选解后更新。可选 Triton 内核把受支持的截断前沿删减移到 CUDA 上。自动路径适用于受支持设备、float32/float64 和不超过 128 的请求种群;其他配置使用 PyTorch。非支配排序仍由 PyTorch 完成。

编译时,文档要求先初始化,再使用 torch.compile(workflow.step, fullgraph=False)。预测、局部搜索和混合模型工作仍含即时执行部分。PR 给出了 RTX 5060 Ti 上采用同步计时和固定预算的本地结果;完整运行结果也表明,编译并非总比优化后的即时执行更快。应通过完整工作负载选择执行路径。

编译还可能改变随机数生成与浮点执行,因此相同种子未必产生相同的搜索轨迹。PR 的五种子 CUDA ZDT3 比较中,编译路径的平均 IGD 比 eager 执行更差。选择执行模式前,应在相同评估预算下同时比较解质量与运行时间。质量比较

先核对搜索,再扩大规模

新增四种公开算法:MaOEAHAP、NRVMOEA、HEA 和 GCNMOEA。前三者明确拒绝约束元组;GCNMOEA 在邻域替换中使用约束违反量,其他部分仍基于目标值。不要把所有方法当作可以直接互换的选项。

迁移已有实验时,固定合入后的源码、随机种子和评估预算,执行一步后用重新评估的结果核对存储的目标值及约束值。比较中包含奇数种群和约束案例,并分别记录可行性、解质量与运行时间。此前的 EvoMO 版本介绍 给出已发布基线,这次 main 更新则提供后续约束与选择改进。

← 返回动态列表返回顶部 ↑