工作流与监视器

UnifiedWorkflow

evomo.workflows.UnifiedWorkflow 连接算法、问题和可选的监视器：

workflow = UnifiedWorkflow(algorithm, problem, device=device)
workflow.init_step()
for _ in range(100):
    workflow.step()

它将算法的 evaluate 接入问题，并依次调用监视器回调、解转换与适应度转换。 如果问题返回 (fitness, cv)，工作流将两个张量都传回算法，优化方向和 fitness_transform 仅作用于目标值。

参数	用途
algorithm, problem	算法与批量问题
monitor	评估记录；默认是基础 Monitor，不提供完整历史分析
opt_direction	"min"、"max"，或每个目标对应的方向列表
solution_transform	在评估之前将算法决策向量转换成问题输入
fitness_transform	在优化方向转换之后变换目标值
device	工作流组件的目标设备
enable_distributed, group	已初始化的 PyTorch 分布式评估配置

工作流通过内部子类连接算法，因此读取结果时统一使用 workflow.algorithm。 算法的初始化发生在 init_step()，某些状态（如 NSGA-II 的 cv）要到首次评估后才确定形状。

最小化、最大化与混合方向

算法内部使用最小化约定。opt_direction="max" 会在目标进入算法之前取负。 例如 opt_direction=["min", "max"] 保留第一列、取负第二列，列表长度应与目标数一致。

没有额外 fitness_transform 时，要恢复原始目标值，可以在结果分析阶段使用：

raw_fitness = workflow.algorithm.fit * workflow.opt_direction

如果另有缩放、归一化或其他转换，需要按其定义恢复或重新评估原始问题，不能只乘方向因子。

记录无约束问题的历史前沿

EvoX 的 EvalMonitor 可接入工作流。以下代码接在快速入门中问题和算法构造之后：

from evox.workflows import EvalMonitor

monitor = EvalMonitor(multi_obj=True, full_fit_history=True, full_sol_history=True, device=device)
workflow = UnifiedWorkflow(algorithm, problem, monitor=monitor, device=device)
workflow.init_step()
for _ in range(50):
    workflow.step()

historical_solutions, historical_fitness = monitor.get_pf()

get_pf() 返回历史评估中的非支配解和目标值，与最终种群的前沿范围不同。 只需要目标值时可以关闭 full_sol_history，用 get_pf_fitness()。 长时间运行或大种群记录完整历史会占用较多内存，按需要开启。

UnifiedWorkflow 的监视器回调仅传入目标值，不传入违反量。因此 EvalMonitor 的历史前沿 不能作为约束问题的可行前沿。约束示例直接读取最终种群的 fit 与 cv 并配对筛选。

与 StdWorkflow 配合

返回纯目标张量的问题也可以配合 evox.workflows.StdWorkflow 使用。 约束问题应采用 UnifiedWorkflow 保留违反量；工作流能转发 tuple 仍不保证算法会使用约束。

分布式评估

enable_distributed=True 将种群按进程分块评估，再收集目标值与约束违反量。 用户需先初始化 torch.distributed 进程组，确保问题能够独立评估每个分块， 并验证所用后端对分块大小、张量形状与设备的要求。本文没有提供跨设备或多进程性能保证。