Pengoptimalan multi-tujuan

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

Gunakan pendekatan berikut untuk menyusun strategi penelusuran multi-tujuan:

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

    obj = w1 * in_stock_rate - w2 * inventory_level

  2. Perlakukan satu tujuan sebagai batasan: Pendekatan lain adalah memperlakukan satu tujuan sebagai batasan. Hal ini berguna untuk mengoptimalkan satu metrik sambil 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 yang dijalankan pada tingkat batasan yang berbeda untuk melacak batas Pareto.

  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, pembanding Pareto gagal – hampir setiap program mendominasi setidaknya satu metrik. MAP Elites menghabiskan sebagian besar waktunya untuk mengembangkan induk yang mengoptimalkan metrik sepele atau berisik. Kurangi dimensi melalui penggabungan, pemilihan, atau PCA menjadi 3-5 metrik yang bermakna.

    • Skor individual per tolok ukur dapat menyebabkan overfitting. Meneruskan skor individual untuk 5 benchmark dapat menyebabkan overfitting pada beberapa benchmark, sementara hanya meneruskan jumlah gabungan yang digeneralisasi lebih baik ke benchmark yang tidak terlihat. Jika generalisasi penting, pertimbangkan untuk menggabungkan skor sebelum meneruskan ke AlphaEvolve, bukan mengoptimalkan setiap tolok ukur secara terpisah.

Jika 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 penelusuran bug yang lebih sederhana.