问题标签 [pymoo]

我正在尝试在 pymoo 中实现多目标优化问题。目前，它是纸浆中的单目标优化问题。

问题是在以下约束条件下最大化分数总和：

• 获得 100 个项目组合（决策变量之和 == 100）
• 项目不能以超过 40 个组合出现（对于每个项目，项目总和 * 决策变量 <= 40）

按照 pymoo 文档，我正在尝试使用矢量化评估。除了分数数组之外，我还有一个多样性数组，它由 0 到 1 之间的浮点数组成。我想确定帕累托前沿以最大化这两个值。

从文档中不清楚我将如何设置这个问题？我假设 n_var 等于项目中的行数，n_obj 将是 2。我是否必须预先计算约束的数量（这里它将是 1 + 项目中的列数）还是只是 2？决策变量是二元的，所以 xl=0 和 xu=1？

对于评估，我了解如何计算目标函数。但是，约束计算似乎隐含 <= 0，并且不清楚我将如何指定 100 个项目组合中每个单独项目的总和必须 <= 40。

提前感谢您的任何建议。我是一位经验丰富的 python 程序员，但我对优化库的经验有限。

我正在使用 pymoo 包进行多目标优化，但在设置模型时遇到了问题，因为在尝试将其他自变量作为参数传递时出现错误（除了正在优化的参数）。对于 OOP 和函数式编程，我尝试按照 getting_started 示例 ( https://pymoo.org/getting_started.html )。我的目标函数有自变量 t、total 和 G，其中 t 和 total 是数组，G 是标量。我尝试像这样通过它们：

导致：

TypeError：_evaluate() 得到了一个意外的关键字参数“算法”

p 是我要优化的三个参数的列表。

使用函数式编程我找不到可以在 FunctionalProblem 对象中传递参数的位置，所以我只是这样做了：

这导致：

TypeError: () 缺少 2 个必需的位置参数：'total' 和 't'

其余代码（算法和终止对象等）与 Getting_started 示例中的相同，因为我现在只是想让它运行..

有没有人尝试过使用 pymoo 传递参数并且知道如何正确地做到这一点？

我有两个目标函数、三个变量和零约束的问题。我还有从 CSV 读取的这些变量的搜索空间。是否可以使用 pymoo 来使用变量的搜索空间（而不是 xl 和 xu）来获得最大化两个函数的最佳组合。

当我使用 xl 和 xu 时，它总是得到 [1.0,1.0,1.0] 的组合，但我想从我的 numpy 多维数组中获得最佳组合。

如下所示：

谢谢你的帮助！

我正在尝试使用 Python 的 Pymoo 库设置我的优化，我正在使用他们的“入门”指南，但传递了我自己的独立变量，也没有使用约束。我使用指南中的示例函数得到了相同的结果（我在下面的代码中将它们注释掉了）。

这是代码：

当我在 Problem 类的 _evaluate_elementwise 方法中打印出kwargs时，确实我知道它是算法对象：

{'algorithm': <pymoo.algorithms.nsga2.NSGA2 object at 0x00000212D12413C8>}

我很难看出它如何将算法对象作为 _evalute 的参数，它接受 (_x,_out,*args,**kwargs)。如果有人更熟悉这个包，我会非常感激帮助！

这是完整的引用：

关键字参数：{'algorithm': <pymoo.algorithms.nsga2.NSGA2 object at 0x00000212D12413C8>} Traceback（最近一次调用最后一次）：

文件“”，第 6 行，详细 = True）

文件“C:\Users\anaconda3\lib\site-packages\pymoo\optimize.py”，第 85 行，最小化 res = algorithm.solve()

文件“C:\Users\anaconda3\lib\site-packages\pymoo\model\algorithm.py”，第 226 行，在求解 self._solve(self.problem)

_solve self.next() 中的文件“C:\Users\anaconda3\lib\site-packages\pymoo\model\algorithm.py”，第 321 行

文件“C:\Users\anaconda3\lib\site-packages\pymoo\model\algorithm.py”，第 243 行，在下一个 self.initialize()

文件“C:\Users\anaconda3\lib\site-packages\pymoo\model\algorithm.py”，第 215 行，初始化 self._initialize()

_initialize self.evaluator.eval(self.problem, pop, algorithm=self) 中的文件“C:\Users\anaconda3\lib\site-packages\pymoo\algorithms\genetic_algorithm.py”，第 81 行

文件“C:\Users\anaconda3\lib\site-packages\pymoo\model\evaluator.py”，第 78 行，在 eval self._eval(problem, pop[I], **kwargs)

文件“C:\Users\anaconda3\lib\site-packages\pymoo\model\evaluator.py”，第 97 行，在 _eval **kwargs 中）

文件“C:\Users\anaconda3\lib\site-packages\pymoo\model\problem.py”，第 284 行，in 评估 = self._evaluate_elementwise(X, calc_gradient, out, *args, **kwargs)

_evaluate_elementwise [ret.append(func(x)) for x in X] 中的文件“C:\Users\anaconda3\lib\site-packages\pymoo\model\problem.py”，第 413 行

文件“C:\Users\anaconda3\lib\site-packages\pymoo\model\problem.py”，第 413 行，在 [ret.append(func(x)) for x in X]

文件“C:\Users\anaconda3\lib\site-packages\pymoo\model\problem.py”，第 400 行，在 func self._evaluate(_x, _out, *args, **kwargs)

TypeError：_evaluate() 得到了一个意外的关键字参数“算法”

所以只使用 pymoo - 我无法从文档中确定如何传递参数以便评估函数看到它们：

我将两个列表传递给 Myproblem 类，我确实在元组 args 中看到了它们，但是当我在评估中的 args 中查找这些列表时，它只会给我一个空元组。

建议？

所以我运行了示例代码，并为我的问题写了一些额外的东西

当我运行它时，我得到以下输出

我有点困惑问题出在哪里，因为这些函数都不是整数——它甚至没有调用我的评估函数来最小化。

我是 python 的初学者，尤其是优化方面的初学者。我浏览了 pymoo 文档，它们看起来很混乱。我如何从每个具有三个值的点中找到最有效的结果。Pymoo 有这些被称为“问题”的东西，我对如何制作一个感到困惑。任何人都可以简单地解释（任何帮助将不胜感激）谢谢

在中，单目标优化 ( docspymoo )存在以下终止标准：

但是，我不想在达到某些值时停止算法f_tol，而是在达到某些值时停止算法f_treshold。所以一旦我的最佳适应度值达到这个值，我希望迭代停止。但是，似乎没有选择。有什么变通办法吗？

我没有太多使用遗传算法的经验，所以我想向社区征求一些有用的意见。我想为我的术语错误道歉。如果需要，请纠正我。

我要优化的问题是孤岛微电网中的最佳潮流。在简单的微电网中，我们有 2 个柴油发电机 (DG)、1 个 PV 阵列、1 个储能系统 (ESS) 和负载。假设我们知道下一周期的负载和光伏阵列输出功率值。

因此，目标函数应最小化为 OPEX 作为每个微电网组件t在周期内每个时刻的运营成本的总和T：

其中a，b是一些运营成本系数，是柴油发电机二进制（0/1 或 ON/OFF）状态变量，P是当时微电网组件的输出功率t。

这里有一些约束（真正的问题几乎没有非线性约束，所以我只写了三个约束）：

1. 功率平衡

2. ESS' 最大卸料深度

3. 柴油发电机组功率限制

因此，它是具有非线性约束的混合整数问题。我尝试使用遗传算法来调整问题以解决它。我使用pymoo Python 库通过 NSGA2 算法进行多目标优化。让我们考虑一下，为此T我们有一些强大的数据：LoadPV

我们有n_var = 5正在优化的决策变量：. 我们还应该可以访问 的先前值SOC。我写了一个递归代码来实现一个连续的优化链：

因此，我们为每个时间步初始化了大小为 150 的种群t，该种群中的个体看起来像. 运行此代码，我得到了这些优化结果：

即使是我在遗传算法方面的一点经验也让我可以说，这种方法是不合适和低效的。

所以，这是我的问题（如果你还在阅读我的帖子：）

有没有办法通过不连续优化设置为 的特定变量来优化此类问题t，而是将人口中的个体定义为大小为 ( , )的数组？Tn_var

对于描述的问题，人口中的一个人可能看起来像

是否可以实施这种方法？如果是，怎么做pymoo？

非常感谢您的宝贵时间！任何意见和建议将不胜感激。

使用 pymoo 优化函数时，如果我包含 if 语句，则会收到如下错误：

我无法理解此错误的原因，它似乎与 numpy 有关

简化代码如下：

这会产生：

任何建议将不胜感激