多目标优化不仅需要快速目标评估:选择应保留有用权衡,基准公式必须正确,实验状态也需要能在重启后恢复。EvoMO 于北京时间 2026 年 10 月 8 日发布 v0.3.1,为 v0.3 系列补充文档。主要算法扩展与修正已于 9 月 24 日的 v0.3.0 到来。

概念插画:不同算法探索不同的有用权衡。
在共同张量基础上比较更多算法
v0.3.0 新增 48 种张量化多目标算法,扩展 EvoMO 中可用的搜索机制。共同的张量基础便于在统一评估流程下比较方法,同时保留各算法不同的选择、变异和状态更新规则。
研究多个竞争目标时,可以固定问题、决策边界、种群与评估预算,只改变算法,从而进行受控比较。价值在于获得不同搜索行为;算法数量本身不能证明某种方法会在具体任务上产生更好的权衡。
正确性改动会影响比较本身
发布修复了多个方法的种群更新与选择。非支配排序完成环境选择需要的截断前沿后即可停止;拥挤距离处理修正了常量目标、小种群、掩码及设备放置。PyTorch 仍是默认排序实现,可选 Triton 后端属于需要显式选择的实验功能。选择改动
基准与指标修正同样重要。ZDT1–4 和 ZDT6 获得按行评估修复,包括 ZDT6 随维度变化的计算。Monte Carlo 超体积修正覆盖最小化、参考点、空输入和采样设备。如果已有研究使用了受影响路径,应保留旧结果并重新进行受控比较,避免混用不同定义下计算的数值。
约束和仿真需要分别核对
v0.3 系列延续 v0.2.2 引入的约束问题支持:86 个约束基准、约束感知 NSGA-II 和 UnifiedWorkflow。后续修复增加了约束缓冲区延迟注册、检查点恢复支持,并将约束 Pareto 前沿资源纳入发行包。约束基线
MoRobtrol 还增加 Playground/MJX 支持、任务特定目标和可视化,并改进观测归一化及检查点。机器人控制比较中,仿真器配置和目标定义应与优化器设置同样仔细地记录,否则更好的 Pareto 集可能只是任务或指标发生变化。仿真与集成改动
用小型参考实验完成升级
版本安装指南 要求先安装 EvoX,再安装 EvoMO。针对该发布,可使用 pip install evox,再执行 pip install evomo==0.3.1,并记录解析出的依赖版本。源码安装可固定 v0.3.1 标签。此补丁增加文档,底层功能改动仍应从 v0.3.0 说明开始阅读。
恢复大型基准前,检查已知目标计算、小型环境选择案例和所需状态的检查点恢复。约束运行同时检查可行性与目标质量,超体积比较保留相同参考点及采样设置。GPU 加速多目标研究介绍 解释张量化的意义;v0.3 系列则为实际实验提供更广泛且更明确的基础。