Pengoptimalan multi-tujuan

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

Gunakan pendekatan berikut untuk menyusun strategi penelusuran multi-sasaran:

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

    obj = w1 * in_stock_rate - w2 * inventory_level

  2. Memperlakukan satu sasaran sebagai batasan: Pendekatan lainnya adalah memperlakukan satu sasaran sebagai batasan. Hal ini berguna untuk mengoptimalkan satu metrik sekaligus 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 menjalankan beberapa eksperimen pada tingkat batasan yang berbeda untuk melacak batas Pareto.

  3. Sertakan metrik yang berbeda sebagai metrik individual dalam kamus. Lihat pertimbangan utama berikut yang terkait dengan pendekatan ini:

    • Batasi pengoptimalan multi-sasaran hingga 3-5 metrik. Jika terlalu banyak metrik, pembanding Pareto akan gagal – hampir setiap program mendominasi setidaknya satu metrik. MAP Elites menghabiskan sebagian besar waktunya untuk mengembangkan induk yang mengoptimalkan metrik sepele atau bising. Kurangi dimensi melalui agregasi, pemilihan, atau PCA menjadi 3-5 metrik yang bermakna.

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

Jika Anda mengaktifkan fitur ini, AlphaEvolve akan melacak batas Pareto dan MAP-Elites akan mempertahankan program terbaik untuk setiap metrik. Namun, skor gabungan berbobot menawarkan penalaran dan proses debug yang lebih sederhana.