如何将 pymoo 中的 NSGA 2 求解时的主导解集保存到数据帧中？

Question

我正在尝试使用 NSGA 2 解决具有 3 个目标和 2 个决策变量的多目标优化问题。下面给出 NSGA2 算法和终止标准的 pymoo 代码。我的 pop_size 是 100，n_offspring 是 100。该算法迭代了 100 代。我想将所有 100 代的每一代中考虑的决策变量的所有 100 个值存储在一个数据框中。

pymoo 代码中的 NSGA2 实现：

from pymoo.algorithms.nsga2 import NSGA2
from pymoo.factory import get_sampling, get_crossover, get_mutation

algorithm = NSGA2(
    pop_size=20,
    n_offsprings=10,
    sampling=get_sampling("real_random"),
    crossover=get_crossover("real_sbx", prob=0.9, eta=15),
    mutation=get_mutation("real_pm", prob=0.01,eta=20),
    eliminate_duplicates=True
)
from pymoo.factory import get_termination

termination = get_termination("n_gen", 100)

from pymoo.optimize import minimize

res = minimize(MyProblem(),
               algorithm,
               termination,
               seed=1,
               save_history=True,
               verbose=True)

我尝试过的（我的参考：stackoverflow问题）：

import pandas as pd
df2 = pd.DataFrame (algorithm.pop)
df2.head(10)

上面代码的结果是空白并且通过

print(df2)

我明白了

Empty DataFrame
Columns: []
Index: [] 

Answer 1

很高兴您打算使用 pymoo 进行研究。您已正确启用该save_history选项，这意味着您可以访问算法对象。要获得运行中的所有解决方案，您可以组合algorithm.off每一代的后代 ( )。不要忘记Population对象包含Individual目标。使用该get方法您可以获得X和F或其他值。请参阅下面的代码。

import pandas as pd

from pymoo.algorithms.nsga2 import NSGA2 from pymoo.factory import get_sampling, get_crossover, get_mutation, ZDT1 from pymoo.factory import get_termination from pymoo.model.population import Population from pymoo.optimize import minimize

problem = ZDT1()

algorithm = NSGA2(
    pop_size=20,
    n_offsprings=10,
    sampling=get_sampling("real_random"),
    crossover=get_crossover("real_sbx", prob=0.9, eta=15),
    mutation=get_mutation("real_pm", prob=0.01,eta=20),
    eliminate_duplicates=True )

termination = get_termination("n_gen", 10)


res = minimize(problem,
               algorithm,
               termination,
               seed=1,
               save_history=True,
               verbose=True)

all_pop = Population()

for algorithm in res.history:
    all_pop = Population.merge(all_pop, algorithm.off)

df = pd.DataFrame(all_pop.get("X"), columns=[f"X{i+1}" for i in range(problem.n_var)])

print(df)

另一种方法是使用回调并在每一代填充数据帧。类似如下所示：https: //pymoo.org/interface/callback.html