多目标算法

在这个笔记本中，我们将使用参考向量引导演化算法（RVEA）来寻找 DTLZ2 问题的最优解。

import time
import torch

from evox.algorithms import RVEA
from evox.metrics import igd
from evox.problems.numerical import DTLZ2
from evox.workflows import StdWorkflow, EvalMonitor

（可选）使用GPU运行代码

我们通常更喜欢在GPU上运行代码以加快执行速度。然而，如果没有GPU，使用CPU运行也是可以接受的。

# Use GPU first to run the code.
torch.set_default_device("cuda" if torch.cuda.is_available() else "cpu")
print(torch.get_default_device())

cuda:0

运行示例：RVEA 在 DTLZ2 问题上

以下代码用于设置 DTLZ2 问题和 RVEA 算法。关于该问题和算法的更多信息可以在文档的相应部分找到。

# Init the problem, algorithm and workflow.
prob = DTLZ2(m=3)
pf = prob.pf()
algo = RVEA(pop_size=100, n_objs=3, lb=-torch.zeros(12), ub=torch.ones(12))
monitor = EvalMonitor()
workflow = StdWorkflow(algo, prob, monitor)
compiled_step = torch.compile(workflow.step)

在这个设置完成后，我们现在可以开始优化。我们设置让多目标算法在这个问题上优化100步。

# Run the workflow for 100 steps
t = time.time()
workflow.init_step()
for i in range(100):
    compiled_step()
    fit = workflow.algorithm.fit
    fit = fit[~torch.isnan(fit).any(dim=1)]
    if i % 10 == 0:
        print(igd(fit, pf))

tensor(0.4903, device='cuda:0')

tensor(0.1677, device='cuda:0')
tensor(0.0829, device='cuda:0')
tensor(0.0609, device='cuda:0')
tensor(0.0574, device='cuda:0')
tensor(0.0563, device='cuda:0')
tensor(0.0554, device='cuda:0')
tensor(0.0550, device='cuda:0')
tensor(0.0547, device='cuda:0')
tensor(0.0545, device='cuda:0')

monitor.plot()