Optimización de varios objetivos

AlphaEvolve puede optimizarse en función de varios objetivos simultáneos. Si bien AlphaEvolve admite la optimización de varios objetivos, mantén la cantidad de objetivos individuales limitada a aproximadamente la cantidad que un experto humano puede comprender al analizar los resultados.

Utiliza los siguientes enfoques para estructurar tu estrategia de búsqueda con múltiples objetivos:

1. Función objetivo combinada: Un enfoque para la optimización multiobjetivo es aprovechar una función objetivo combinada:

   obj = w1 * in_stock_rate - w2 * inventory_level
   

2. Considera un objetivo como una restricción: Otro enfoque es considerar un objetivo como una restricción. Esto es útil para optimizar una métrica y evitar que la otra supere o no alcance 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 múltiples objetivos a entre 3 y 5 métricas. Con demasiadas métricas, el comparador de Pareto falla, ya que casi todos los programas dominan al menos una métrica. MAP Elites dedica la mayor parte de su tiempo a evolucionar a los padres que optimizan métricas triviales o ruidosas. Reduce la dimensionalidad a través de la agregación, la selección o el PCA para obtener de 3 a 5 métricas significativas.

   • Las puntuaciones individuales por comparativa pueden causar sobreajuste. Pasar puntuaciones individuales para 5 comparativas puede generar un sobreajuste en algunas, mientras que pasar solo la suma agregada se generalizó mejor para las comparativas no vistas. Si la generalización es importante, considera agregar las 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 una depuración y un razonamiento más sencillos.