算法

算法从 evomo.algorithms 导入。以下名称对应当前公开导出；构造签名、默认值及论文引用 由 API 页面从源码生成。

常用入口

类	主要机制	使用时关注
NSGA2	非支配排序与拥挤距离	适合作为数值与约束示例的起点
NSGA3	非支配排序与参考点	参考点数量与目标数、种群数的关系
MOEAD	分解与邻域更新	分解方式和邻域参数
TensorMOEAD	张量化分解与邻域更新	aggregate_op、实际种群数及邻域大小
RVEA, RVEAa	参考向量引导选择	max_gen 与实际迭代预算保持一致
IBEA	指标驱动选择	指标与尺度对选择的影响
HypE	基于超体积估计的选择	采样与参考值相关参数
LMOCSO	大规模多目标竞争群优化	决策维度与算法参数

这张表介绍接口用途，不代表基于实验的算法排名。比较算法需要相同评估预算和多个随机种子。

构造参数与状态

算法接受 pop_size、n_objs、lb 和 ub，部分算法还显式提供 device。 lb、ub 必须为等形状的一维张量，设备和 dtype 一致。设置 n_objs 时应与问题 evaluate 返回的列数一致。设备规则、算子调用约定与算法专有设置见 参数指南。

常见状态为 pop 和 fit。某些算法还维护参考向量、理想点、档案、速度、等级或违反量， 不能将某个算法的特有属性当成所有算法的统一接口。

使用参考向量或权重采样的算法可能调整 pop_size。创建完成后以 workflow.algorithm.pop.shape[0] 为实际种群数。TensorMOEAD 要求采样后的种群数大于 10。

例如，将快速入门的构造部分替换为：

from evomo.algorithms import TensorMOEAD

algorithm = TensorMOEAD(
    pop_size=100,
    n_objs=problem.m,
    lb=torch.zeros(problem.d, device=device),
    ub=torch.ones(problem.d, device=device),
    aggregate_op=("pbi", "pbi"),
    device=device,
)

TensorMOEAD 支持的聚合名称为 pbi、tchebycheff、tchebycheff_norm、 modified_tchebycheff 和 weighted_sum。

算子替换

部分算法允许传入 selection_op、mutation_op、crossover_op，但调用契约由算法实现决定。 先查该算法的 step，确认算子的输入、输出形状和语义，再进行替换。

例如，NSGA-II 的 selection_op 用于选择交配父代，默认是 EvoX 的 tournament_selection_multifit。它不负责环境选择，也不会切换非支配排序后端。 后端选择说明见现有后端指南。

其他公开算法

为便于检索，下面保留源码中的类名拼写：

分组	导出名称
MOEA/D 及相关实现	BCEMOEAD, MOEADAWA, MOEADDE, MOEADDU, MOEADDYTS, MOEADFRRMAB, MOEAURAW, MOEAD_DCWV, MOEAD_DRA, MOEAD_PaS
稀疏与大规模实现	LSMOF, SparseEA, SparseEA2, TSSparseEA, WOF
其他实现（一）	AGEMOEA, BCE_IBEA, BiGE, CLIA, CMOEA_MS, CMOPSO, CoMMEA, DMMOEA, EFRRR, GDE3, GrEA, GWASFGA, KnEA
其他实现（二）	MaOEACSS, NSBiDiCo, NSGAII_SDR, OSP_NSDE, PESA2, PICEAg, PREA, SIBEA, SMPSO, SNSGA2, SPEAR, SSCEA
其他实现（三）	TELSO, TSNSGAII, ThetaDEA, Two_Arch2, VaEA, WASFGA, eMOEA, tDEA_CPBI

算法名称含有 “constrained” 或相关缩写不构成对任意约束问题的兼容保证。 约束任务优先使用本文已经给出的 NSGA-II 流程；其他算法需核实违反量是否参与选择。