认识 EvoMO#

多目标优化的输入与输出#

多目标问题需要同时优化多个通常相互冲突的目标。例如，更快的机器人运动可能需要更大的 能量消耗。进化算法维护一组候选解，通过评估、选择、交叉或变异逐步更新这组解。

在最小化约定下，若解 A 的每个目标都不差于 B，且至少一个目标严格更小，则 A 支配 B。 不被当前解集中其他解支配的点组成第一非支配前沿。得到这个前沿不意味着已经找到了问题的 真实 Pareto 前沿；仍需参考前沿、指标和多次运行来衡量质量。

EvoMO 使用以下批量张量约定：

数据

形状

含义

population / pop

(N, D)

N 个候选解，每个有 D 个决策变量

fitness / fit

(N, M)

每个候选解的 M 个目标值

lb, ub

(D,)

每个变量的下界与上界

cv

(N, C)

各约束的非负违反量；部分算子也接收 (N,) 总违反量

rank

(N,)

从 0 开始的非支配等级

输入张量、算法状态、问题和参考前沿应放在一致的设备上，并使用兼容的 dtype。

与 EvoX 的关系#

EvoMO 使用 EvoX 的 Algorithm、Problem、Workflow 和状态管理机制。 EvoX 提供通用算子、监视器和神经网络参数适配工具；EvoMO 提供自己的多目标算法、基准问题、 选择算子、指标，以及保留约束违反量的 UnifiedWorkflow。

from evomo.algorithms import NSGA2
from evomo.problems.numerical import DTLZ2
from evomo.workflows import UnifiedWorkflow

from evox.workflows import EvalMonitor

名称相同的 evomo.algorithms.NSGA2 与 evox.algorithms.NSGA2 属于不同实现。 复现实验时记录实际导入路径，避免无意切换实现。

一次运行的组成#

  1. 问题：实现批量 evaluate，输出目标值，约束问题同时输出违反量。

  2. 算法：保存种群和目标值，根据评估结果生成和选择下一代。

  3. 工作流：连接算法与问题，处理优化方向、转换函数和监视器回调。

  4. 结果分析：提取当前种群或监视器记录，筛选可行且非支配的解，再计算指标。

调用 workflow.init_step() 完成初始化，之后重复调用 workflow.step()。 直接使用尚未接入工作流的算法进行评估不符合这里的调用方式。

版本范围#

本套文档对应当前仓库的 PyTorch 实现，构建时从 pyproject.toml 读取版本号。 历史 JAX 实现在 v0.0.1-dev 分支，与 EvoX 0.9.0 配套；其状态与调用方式不适用于本文示例。