多目標最佳化

AlphaEvolve 可同時針對多個目標進行最佳化。雖然 AlphaEvolve 支援多目標最佳化，但請將個別目標的數量限制在人類專家分析結果時能掌握的數量。

請採用下列方法，建構多目標搜尋策略：

1. 合併目標函式：多目標最佳化的一種方法是使用合併目標函式：

   obj = w1 * in_stock_rate - w2 * inventory_level
   

2. 將其中一個目標視為限制：另一種方法是將其中一個目標視為限制。這項功能適合用來最佳化某項指標，同時避免其他指標低於或高於門檻。

   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)
   

   這種方法可能需要以不同的限制層級執行多項實驗，才能找出柏拉圖前沿。

3. 在字典中，將不同指標納入為個別指標。請參閱下列與這個方法相關的考量重點：

   • 多目標最佳化應限制在 3 到 5 項指標。如果指標過多，柏拉圖比較器就會失效，因為幾乎每個程式都會在至少一個指標上占據主導地位。MAP Elites 大部分時間都在演化父項，以最佳化不重要或雜訊指標。透過匯總、選取或 PCA 減少維度，只保留 3 到 5 個有意義的指標。

   • 個別基準分數可能會導致過度配適。如果 5 項基準測試的個別分數都通過，可能會導致某些基準測試過度擬合，而只通過匯總總和，則能更有效地泛化至未見過的基準測試。如果泛化能力很重要，請考慮先匯總分數，再傳遞給 AlphaEvolve，而不是單獨最佳化每個基準。

啟用這項功能後，AlphaEvolve 會追蹤柏拉圖前沿，MAP-Elites 則會保留各項指標的最佳程式。不過，合併加權分數可提供更簡單的推論和偵錯方式。