Optimisation multi-objectif

AlphaEvolve peut optimiser plusieurs objectifs simultanés. Bien qu'AlphaEvolve soit compatible avec l'optimisation multi-objectif, limitez le nombre d'objectifs individuels à environ le nombre qu'un expert humain peut comprendre lors de l'analyse des résultats.

Utilisez les approches suivantes pour structurer votre stratégie de recherche multi-objectifs :

  1. Fonction d'objectif combinée : une approche de l'optimisation multi-objectif consiste à exploiter une fonction d'objectif combinée :

    obj = w1 * in_stock_rate - w2 * inventory_level

  2. Traiter un objectif comme une contrainte : une autre approche consiste à traiter un objectif comme une contrainte. Cela est utile pour optimiser une métrique tout en empêchant l'autre de dépasser ou de descendre en dessous d'un seuil.

    obj = in_stock_rate` # Optimize this

# With: inventory_level <= budget (enforced as penalty where if inventory
# level exceeds budget then a high negative value is returned)

    Cette approche peut nécessiter l'exécution de plusieurs tests à différents niveaux de contrainte pour tracer le front de Pareto.

  3. Incluez différentes métriques en tant que métriques individuelles dans le dictionnaire. Voici les points clés associés à cette approche :

    • Limitez l'optimisation multi-objectif à trois à cinq métriques. Avec trop de métriques, le comparateur de Pareto échoue : presque tous les programmes dominent sur au moins une métrique. MAP-Elites passe la majeure partie de son temps à faire évoluer des parents qui optimisent des métriques triviales ou bruitées. Réduisez la dimensionnalité par agrégation, sélection ou ACP à trois à cinq métriques pertinentes.

    • Les scores individuels par benchmark peuvent entraîner un surapprentissage. La transmission de scores individuels pour cinq benchmarks peut entraîner un surapprentissage sur certains d'entre eux, tandis que la transmission de la somme agrégée uniquement permet une meilleure généralisation aux benchmarks non vus. Si la généralisation est importante, envisagez d'agréger les scores avant de les transmettre à AlphaEvolve plutôt que d'optimiser chaque benchmark indépendamment.

Lorsque vous activez cette fonctionnalité, AlphaEvolve suit une frontière de Pareto et MAP-Elites conserve le meilleur programme pour chaque métrique. Cependant, les scores pondérés combinés offrent un raisonnement et un débogage plus simples.