只有滿足問題約束,好的目標值才有意義。2026 年 10 月 30 日,EvoMO 將 PR #48 合入 main,為已有多目標演算法擴充套件約束處理,並修正種群狀態管理。這次更新把實驗中常同時出現的三個問題聯絡起來:哪些解被保留、它們的狀態是否始終對應,以及選擇過程需要多少計算。

候選路徑透過選定的入口穿越約束邊界

概念插畫:可行性資訊在選擇過程中始終跟隨候選解。

可行性需要貫穿整個流程

約束問題可以返回 (fitness, cv),同時提供目標值和約束違反量。合入後的實現會在初始化、探測、交配、檔案維護和生存者更新中傳遞這些資訊。共享工具處理正的總違反量、並列值和不同約束形狀,同時保持決策、適應度和約束狀態的索引一致。

兩個候選解在選擇中交換位置時,可行性資訊必須跟隨移動。例如,在硬性執行限制下平衡效能和資源消耗的設計搜尋,如果只按目標排序,可能保留看似優秀卻不可行的方案。攜帶約束狀態後,每種演算法才能按其文件規定的規則選擇;具體規則仍由演算法決定。

奇數種群也應保持有效

此次更新還修復了八種演算法在請求種群大小為 51 等奇數時的首代形狀不匹配,包括 SparseEA、SparseEA2、DMMOEA 和 OSP_NSDE。父代配對及子代數量現在與掩碼、適應度和約束保持一致。當種群規模來自實驗預算,而非方便的偶數時,這一點尤其有用。

稀疏和動態演算法也獲得了參考流程修正。DMMOEA 透過重新評估抽樣解檢測環境變化,並重新整理快取的適應度及約束值。SparseEA 系列在變異和選擇中保持決策變數與稀疏掩碼對應。這些細節決定實際執行的是哪一種搜尋,而不僅是程式能否跑完。

選擇加速有明確的執行範圍

OSP-NSDE 對鄰居距離排序一次,並在刪除候選解後更新。可選 Triton 核心把受支援的截斷前沿刪減移到 CUDA 上。自動路徑適用於受支援裝置、float32/float64 和不超過 128 的請求種群;其他配置使用 PyTorch。非支配排序仍由 PyTorch 完成。

編譯時,文件要求先初始化,再使用 torch.compile(workflow.step, fullgraph=False)。預測、區域性搜尋和混合模型工作仍含即時執行部分。PR 給出了 RTX 5060 Ti 上採用同步計時和固定預算的本地結果;完整執行結果也表明,編譯並非總比最佳化後的即時執行更快。應透過完整工作負載選擇執行路徑。

編譯還可能改變亂數生成與浮點執行,因此相同種子未必產生相同的搜尋軌跡。PR 的五種子 CUDA ZDT3 比較中,編譯路徑的平均 IGD 比 eager 執行更差。選擇執行模式前,應在相同評估預算下同時比較解品質與執行時間。品質比較

先核對搜尋,再擴大規模

新增四種公開演算法:MaOEAHAP、NRVMOEA、HEA 和 GCNMOEA。前三者明確拒絕約束元組;GCNMOEA 在鄰域替換中使用約束違反量,其他部分仍基於目標值。不要把所有方法當作可以直接互換的選項。

遷移已有實驗時,固定合入後的原始碼、隨機種子和評估預算,執行一步後用重新評估的結果核對儲存的目標值及約束值。比較中包含奇數種群和約束案例,並分別記錄可行性、解質量與執行時間。此前的 EvoMO 版本介紹 給出已釋出基線,這次 main 更新則提供後續約束與選擇改進。

← 返回動態列表返回頂部 ↑