Optimización de varios objetivos

AlphaEvolve puede optimizar varios objetivos simultáneos. Si bien AlphaEvolve admite la optimización de varios objetivos, limita la cantidad de objetivos individuales a aproximadamente la cantidad que un experto humano puede comprender cuando analiza los resultados.

Usa los siguientes enfoques para estructurar tu estrategia de búsqueda de varios objetivos:

  1. Función objetivo combinada: Un enfoque para la optimización de varios objetivos es aprovechar una función objetivo combinada:

    obj = w1 * in_stock_rate - w2 * inventory_level

  2. Tratar un objetivo como una restricción: Otro enfoque es tratar un objetivo como una restricción. Esto es útil para optimizar una métrica y, al mismo tiempo, evitar que la otra caiga por encima o por debajo de un umbral.

    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)

    Este enfoque puede requerir la ejecución de varios experimentos en diferentes niveles de restricción para trazar el frente de Pareto.

  3. Incluye diferentes métricas como métricas individuales en el diccionario. Consulta las siguientes consideraciones clave asociadas con este enfoque:

    • Limita la optimización de varios objetivos a entre 3 y 5 métricas. Con demasiadas métricas, el comparador de Pareto falla: casi todos los programas dominan al menos una métrica. MAP Elites dedica la mayor parte del tiempo a desarrollar elementos superiores que optimizan métricas triviales o ruidosas. Reduce la dimensionalidad a través de la agregación, la selección o el PCA a entre 3 y 5 métricas significativas.

    • Las puntuaciones individuales por comparativa pueden causar sobreajuste. Pasar puntuaciones individuales para 5 comparativas puede provocar un sobreajuste en algunas, mientras que pasar solo la suma agregada se generaliza mejor a las comparativas no vistas. Si la generalización es importante, considera agregar puntuaciones antes de pasarlas a AlphaEvolve en lugar de optimizar cada comparativa de forma independiente.

Cuando habilitas esta función, AlphaEvolve hace un seguimiento de una frontera de Pareto y MAP-Elites conserva el mejor programa para cada métrica. Sin embargo, las puntuaciones ponderadas combinadas ofrecen un razonamiento y una depuración más sencillos.