解决PyMoo多目标优化中的"cannot reshape array"错误-Python教程-PHP中文网

解决pymoo多目标优化中的

在利用PyMoo进行多目标优化时，你可能会遇到类似ValueError: cannot reshape array of size 2 into shape (100,2)的错误。本文将基于一个简单的双目标、五变量的整数优化问题，详细解释这个问题产生的原因，并提供有效的解决方案。

错误原因分析

这个错误通常发生在定义优化问题时，目标函数返回值的形状与PyMoo期望的形状不一致。具体来说，PyMoo的Problem类默认假设目标函数接收一个种群规模大小的输入，并返回一个种群规模大小的输出。这意味着，如果你的目标函数是针对每一个个体单独计算的，并且返回一个标量值，那么就需要使用ElementwiseProblem类。

解决方案

将你自定义的Problem类替换为ElementwiseProblem类。ElementwiseProblem类专门用于处理目标函数针对每一个个体单独计算的情况。

《H5与HTML之前版本的区别》

下载

代码示例

下面是修改后的代码示例，其中关键的改动是将Problem替换为ElementwiseProblem：

import numpy as np
from pymoo.core.problem import ElementwiseProblem
from pymoo.algorithms.moo.nsga2 import NSGA2
# from pymoo.factory import get_sampling, get_crossover, get_mutation
from pymoo.optimize import minimize
from pymoo.operators.sampling.rnd import IntegerRandomSampling
from pymoo.operators.crossover.sbx import SBX
from pymoo.operators.mutation.pm import PM
from pymoo.visualization.scatter import Scatter

# Custom 2-objective, 5-integer optimization problem
class MyProblem(ElementwiseProblem):  # Changed from Problem to ElementwiseProblem
    def __init__(self):
        super().__init__(
            n_var=5,
            n_obj=2,
            n_ieq_constr=0,
            xl=np.array([0,0,0,0,0]),  # Lower bounds for variables
            xu=np.array([10,10,10,10,10]),  # Upper bounds for variables
            vtype=int
        )

    def _evaluate(self, x, out, *args, **kwargs):
        # Objective functions
        f1 = np.sum(x ** 2)  # Minimize the sum of squares
        f2 = np.sum((x - 5) ** 2)  # Minimize the sum of squared deviations from 5

        # Assign objectives to the output
        out["F"] = [f1, f2]

# Instantiate the custom problem
problem = MyProblem()

# NSGA-II algorithm setup
algorithm = NSGA2(
    pop_size=100,
    n_offsprings=50,
    sampling=IntegerRandomSampling(),
    crossover=SBX(prob=1.0, eta=3.0),
    mutation=PM(prob=1.0, eta=3.0)
)

# Optimize the problem using NSGA-II
res = minimize(
    problem, 
    algorithm, 
    termination=('n_gen', 100), 
    seed=1,
    save_history=True,
    verbose=True
)

# Visualize the Pareto front
plot = Scatter()
plot.add(problem.pareto_front(), plot_type="line", color="black", alpha=0.7)
plot.add(res.F, color="red", s=30, label="NSGA-II")
plot.show()

总结

在使用PyMoo进行多目标优化时，理解Problem和ElementwiseProblem的区别至关重要。Problem适用于目标函数接收整个种群作为输入的情况，而ElementwiseProblem适用于目标函数针对每一个个体单独计算的情况。选择正确的Problem类可以避免因目标函数返回值形状不匹配而导致的错误，确保优化过程顺利进行。遇到类似"cannot reshape array"错误时，首先检查是否使用了正确的Problem类，并确保目标函数返回值的形状与PyMoo的期望一致。