python - 如何在 Python 中使用 DEAP 绘制多目标帕累托前沿

Question

对于我正在从事的项目，我在基于 Python 的进化框架DEAP 中设置了 3 个不同的目标作为优化目标。

它可以使用类似NSGA-II 的算法来处理多目标问题。无论如何要生成帕累托前沿表面以可视化结果。

Answer 1

按照此链接中的食谱（不是我自己的）来计算您可以执行的帕累托点：

def simple_cull(inputPoints, dominates):
    paretoPoints = set()
    candidateRowNr = 0
    dominatedPoints = set()
    while True:
        candidateRow = inputPoints[candidateRowNr]
        inputPoints.remove(candidateRow)
        rowNr = 0
        nonDominated = True
        while len(inputPoints) != 0 and rowNr < len(inputPoints):
            row = inputPoints[rowNr]
            if dominates(candidateRow, row):
                # If it is worse on all features remove the row from the array
                inputPoints.remove(row)
                dominatedPoints.add(tuple(row))
            elif dominates(row, candidateRow):
                nonDominated = False
                dominatedPoints.add(tuple(candidateRow))
                rowNr += 1
            else:
                rowNr += 1

        if nonDominated:
            # add the non-dominated point to the Pareto frontier
            paretoPoints.add(tuple(candidateRow))

        if len(inputPoints) == 0:
            break
    return paretoPoints, dominatedPoints

def dominates(row, candidateRow):
    return sum([row[x] >= candidateRow[x] for x in range(len(row))]) == len(row)  

import random
inputPoints = [[random.randint(70,100) for i in range(3)] for j in range(500)]
paretoPoints, dominatedPoints = simple_cull(inputPoints, dominates)

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
dp = np.array(list(dominatedPoints))
pp = np.array(list(paretoPoints))
print(pp.shape,dp.shape)
ax.scatter(dp[:,0],dp[:,1],dp[:,2])
ax.scatter(pp[:,0],pp[:,1],pp[:,2],color='red')

import matplotlib.tri as mtri
triang = mtri.Triangulation(pp[:,0],pp[:,1])
ax.plot_trisurf(triang,pp[:,2],color='red')
plt.show()

，您会注意到最后一部分是对 Pareto 点应用三角剖分并将其绘制为三角形表面。结果是这样的（红色形状是帕累托前沿）：

编辑：您也可能想看看这个（尽管它似乎是针对 2D 空间的）。

Answer 2

此外，您可能想看看这个Link，它通过块嵌套循环 (BNL) 实现了一种更有效的方法来解决 2D 帕累托边界。这比上面的蛮力方法快 30 倍。