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-objectif :

  1. Fonction objectif combinée : une approche pour l'optimisation multi-objectif consiste à exploiter une fonction 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 passer au-dessus ou 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 expériences 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 principales considérations associées à cette approche :

    • Limitez l'optimisation multi-objectif à 3 à 5 métriques. Avec trop de métriques, le comparateur de Pareto échoue : presque tous les programmes dominent au moins une métrique. MAP Elites passe la plupart de son temps à faire évoluer les parents qui optimisent des métriques triviales ou bruyantes. Réduisez la dimensionnalité par agrégation, sélection ou ACP à 3 à 5 métriques significatives.

    • Les scores individuels par benchmark peuvent entraîner un surapprentissage. La transmission de scores individuels pour cinq benchmarks peut entraîner un surapprentissage sur certains, tandis que la transmission de la somme agrégée uniquement s'est mieux généralisée aux benchmarks invisibles. 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. Toutefois, les scores pondérés combinés offrent un raisonnement et un débogage plus simples.