Pymoo/NSGA2：如何解释 MOO（多目标优化）输出列 n_nds、eps 和指标？

Question

我正在使用 Pymoo.org 执行多目标优化任务，但我很难理解输出的最后三列。

我假设 n_nds 是每一代中非主导解决方案的数量。但是，我不明白 eps 和指标。特别是指标栏。我遇到过此页面“显示”，它向读者推荐用于评估进化多目标和多目标优化算法的运行性能指标和终止标准。

我已经研究了论文的一半。但是，我还没有找到这方面的任何解释。

非常感谢您的宝贵意见。

---

n_gen | n_评估 |简历（最小）|简历（平均）| n_nds |每股收益 |指示器

---

 1 |      42 |  0.00000E+00 |  0.00000E+00 |      14 |            - |            -
 2 |      84 |  0.00000E+00 |  0.00000E+00 |      19 |  0.024237527 |        ideal
 3 |     126 |  0.00000E+00 |  0.00000E+00 |       6 |  0.091298096 |        ideal
 4 |     168 |  0.00000E+00 |  0.00000E+00 |       8 |  0.023750728 |            f
 5 |     210 |  0.00000E+00 |  0.00000E+00 |       7 |  0.002902893 |            f
 6 |     252 |  0.00000E+00 |  0.00000E+00 |      10 |  0.032567624 |            f
 7 |     294 |  0.00000E+00 |  0.00000E+00 |      11 |  0.000912191 |            f
 8 |     336 |  0.00000E+00 |  0.00000E+00 |      12 |  0.076898816 |            f
 9 |     378 |  0.00000E+00 |  0.00000E+00 |      12 |  0.00000E+00 |            f
10 |     420 |  0.00000E+00 |  0.00000E+00 |      14 |  0.065060499 |        ideal

Answer 1

在

pymoo

的输出中，各列的解释如下：

1. n_nds

   ：这代表“非支配解的数量”。在多目标优化中，解决方案分为两种类型：支配和非支配。非支配解决方案是指在所有目标上都不比任何其他解决方案差的解决方案。

   n_nds

   为您提供帕累托前沿中非支配解的数量。

2. eps

   ：“Epsilon 指标”是一种量化帕累托前沿近似质量的指标。它衡量近似值与真实帕累托前沿的接近程度。值越小表示近似值越好。

3. indicator columns

   ：这些通常代表评估多目标优化算法输出质量的各种性能指标或指标。这些指标提供了对帕累托前沿近似中的收敛性、多样性和解的传播等方面的见解。

这些组件可用于评估多目标优化算法的性能并了解它们生成的解决方案的质量。