Pengoptimalan multi-tujuan

AlphaEvolve dapat mengoptimalkan beberapa tujuan serentak. Meskipun AlphaEvolve mendukung pengoptimalan multi-tujuan, batasi jumlah tujuan individu hingga kira-kira jumlah yang dapat dipahami oleh pakar manusia saat menganalisis hasil.

Gunakan pendekatan berikut untuk menyusun strategi penelusuran multi-tujuan:

  1. Fungsi tujuan gabungan: Salah satu pendekatan untuk pengoptimalan multi-tujuan adalah memanfaatkan fungsi tujuan gabungan:

    obj = w1 * in_stock_rate - w2 * inventory_level

  2. Memperlakukan satu tujuan sebagai batasan: Pendekatan lainnya adalah memperlakukan satu tujuan sebagai batasan. Hal ini berguna untuk mengoptimalkan satu metrik sekaligus mencegah metrik lainnya turun di atas atau di bawah nilai minimum.

    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)

    Pendekatan ini mungkin memerlukan beberapa eksperimen pada tingkat batasan yang berbeda untuk melacak Pareto front.

  3. Sertakan berbagai metrik sebagai metrik individual dalam kamus. Lihat pertimbangan utama berikut yang terkait dengan pendekatan ini:

    • Batasi pengoptimalan multi-tujuan hingga 3-5 metrik. Dengan terlalu banyak metrik, komparator Pareto gagal – hampir setiap program mendominasi setidaknya satu metrik. MAP Elites menghabiskan sebagian besar waktunya untuk mengembangkan induk yang mengoptimalkan metrik yang sepele atau bising. Kurangi dimensi melalui agregasi, pemilihan, atau PCA menjadi 3-5 metrik yang bermakna.

    • Skor individual per benchmark dapat menyebabkan overfitting. Meneruskan skor individual untuk 5 benchmark dapat menyebabkan overfitting pada beberapa benchmark, sedangkan hanya meneruskan jumlah gabungan akan menghasilkan generalisasi yang lebih baik untuk benchmark yang belum terlihat. Jika generalisasi penting, pertimbangkan untuk menggabungkan skor sebelum meneruskannya ke AlphaEvolve, bukan mengoptimalkan setiap benchmark secara independen.

Saat Anda mengaktifkan fitur ini, AlphaEvolve akan melacak batas Pareto dan MAP-Elites akan mempertahankan program terbaik untuk setiap metrik. Namun, skor berbobot gabungan menawarkan penalaran dan proses debug yang lebih sederhana.