![[PukiWiki]](image/pukiwiki.png "[PukiWiki]")
目次
pymooというモジュールを使って多目的最適化問題を解きます。
最適化問題とは、制約を満たしつつ、目的の値を最大化or最小化する条件を求める問題のこと。
特に、目的関数が複数存在する最適化問題を多目的最適化問題という。
多目的最適化問題を解く手法としてNSGA2があり、本ページではpythonでnsga2を用いて多目的最適化問題を解く方法を紹介する。
最適化問題について学びたいときはこちら↓
https://science-log.com/%E6%95%B0%E5%AD%A6/%E3%80%90%E6%9C%80%E9%81%A9%E5%8C%96%E5%95%8F%E9%A1%8C%E3%81%AE%E5%9F%BA%E7%A4%8E%E3%80%91%E6%95%B0%E7%90%86%E6%9C%80%E9%81%A9%E5%8C%96%E3%81%A8%E3%81%AF%E4%BD%95%E3%81%8B/
多目的最適化とNSGA2について↓
https://logmi.jp/tech/articles/325211
Python 3.10.1 64bitでやってますが，たぶんどのバージョンもできるはず...
pymooはバージョン0.5.0を使いましょう。
まず、pymooをインストールします。pymooはpythonでNSGA2を実行するためのモジュールです。
また、pymooはバージョンによってコードの書き方が変わります。
自分は0.5.0を使っているので0.5.0をインストールする。
pip install pymoo == 0.5.0
以下の問題について考えてみる。
これは目的関数として (x1^2 + x2^2)を最小化かつ、(x1 - 1)^2 + x2^2 を最小化し
制約条件として2(x1 - 0.1)(x1 - 0.9)/0.18 =< 0 、-20(x1 - 0.4)(x1 - 0.6)/4.8 =< 0
を満たしている問題について考えている。
多目的最適化問題のコードの解説をする。
・class MyProgram(program): の中は最適化問題全体の計算するコードである。
def __init__(self): の中は最適化問題の引数の設定をしている。
引数の説明はこちら↓
また、__init__ についてはこちらを参考に↓
https://qiita.com/ishigen/items/2d8b6e6398743f2c8110
evaluateの部分は目的関数と制約条件を書くところです。
out["F"]に評価関数の値，out["G"]に制約条件の値を書き込む。
※制約条件、目的関数は=<0制約と設定してあるため、>=とする場合は-1をかける。
problem = MyProblem()で、記述した問題を定義。
algorithm = NSGA2(pop_size=100)でアルゴリズムの種類を定義(本研究ではNSGA2を使用)
vurpose = True で処理の途中を可視化している(Trueで以下のように表示される)
n gen は現在の
世代数，n evel はこれまでの個体を評価した数，cv (min)，cv (avg) はそれぞれ現在の母集
団における最小の制約違反，
現在の母集団における平均の制約違反，n nds は多目的最適化問題の場合の非劣解の数，
eps は過去数世代にわたるインジケーターの変化，indicatorはパフォーマンスインジケーターを表す．
plot.の4行はNSGA2によって出力したパレート解を表示するコードである。
表示されるグラフ↓
最後の行はres.F,resXを表示している。
res.Fは、目的関数の値(ここでいうとx1^2+xx2^2と(x1-1)^2+x2^2)、res.Xはその時のx1,x2の値を表示している。
pro1.py