多目標最佳化不僅需要快速目標評估:選擇應保留有用權衡,基準公式必須正確,實驗狀態也需要能在重啟後恢復。EvoMO 於北京時間 2026 年 10 月 8 日釋出 v0.3.1,為 v0.3 系列補充文件。主要演算法擴充套件與修正已於 9 月 24 日的 v0.3.0 到來。

多種搜尋工具陳列在相互競爭的目標地形上方

概念插畫:不同演算法探索不同的有用權衡。

在共同張量基礎上比較更多演算法

v0.3.0 新增 48 種張量化多目標演算法,擴充套件 EvoMO 中可用的搜尋機制。共同的張量基礎便於在統一評估流程下比較方法,同時保留各演算法不同的選擇、變異和狀態更新規則。

研究多個競爭目標時,可以固定問題、決策邊界、種群與評估預算,只改變演算法,從而進行受控比較。價值在於獲得不同搜尋行為;演算法數量本身不能證明某種方法會在具體任務上產生更好的權衡。

正確性改動會影響比較本身

釋出修復了多個方法的種群更新與選擇。非支配排序完成環境選擇需要的截斷前沿後即可停止;擁擠距離處理修正了常量目標、小種群、掩碼及裝置放置。PyTorch 仍是預設排序實現,可選 Triton 後端屬於需要顯式選擇的實驗功能。選擇改動

基準與指標修正同樣重要。ZDT1–4 和 ZDT6 獲得按行評估修復,包括 ZDT6 隨維度變化的計算。Monte Carlo 超體積修正覆蓋最小化、參考點、空輸入和取樣裝置。如果已有研究使用了受影響路徑,應保留舊結果並重新進行受控比較,避免混用不同定義下計算的數值。

約束和模擬需要分別核對

v0.3 系列延續 v0.2.2 引入的約束問題支援:86 個約束基準、約束感知 NSGA-II 和 UnifiedWorkflow。後續修復增加了約束緩衝區延遲註冊、檢查點恢復支援,並將約束 Pareto 前沿資源納入發行包。約束基線

MoRobtrol 還增加 Playground/MJX 支援、任務特定目標和視覺化,並改進觀測歸一化及檢查點。機器人控制比較中,模擬器配置和目標定義應與最佳化器設定同樣仔細地記錄,否則更好的 Pareto 集可能只是任務或指標發生變化。模擬與整合改動

用小型參考實驗完成升級

版本安裝指南 要求先安裝 EvoX,再安裝 EvoMO。針對該釋出,可使用 pip install evox,再執行 pip install evomo==0.3.1,並記錄解析出的依賴版本。原始碼安裝可固定 v0.3.1 標籤。此補丁增加文件,底層功能改動仍應從 v0.3.0 說明開始閱讀。

恢復大型基準前,檢查已知目標計算、小型環境選擇案例和所需狀態的檢查點恢復。約束執行同時檢查可行性與目標質量,超體積比較保留相同參考點及取樣設定。GPU 加速多目標研究介紹 解釋張量化的意義;v0.3 系列則為實際實驗提供更廣泛且更明確的基礎。

← 返回版本發布返回頂部 ↑