Pymoo Python:TypeError:_evaluate（）获得意外的关键字参数'algorithm'

Question

我试图用Python的Pymoo库设置我的优化，我使用他们的“入门”指南，但传递我自己的独立变量，也不使用约束。我使用指南中的示例函数得到了相同的结果（我在下面的代码中注释了它们）。

代码如下：

class MyProblem(Problem): 
    
    def __init__(self,total,G,t):                      
        super().__init__(n_var = 3,  # 2 in the case of the example from guide
                         n_obj = 2, 
                         n_constr = 0, 
                         #xl = np.array([-1.0,0.0]),    # for example from guide
                         #xu = np.array([1.0, 10.0]),
                         xl = np.array([-1.0,0.0, -1.0]), 
                         xu = np.array([1.0, 10.0, 1.0]),
                         elementwise_evaluation = True)
        self.total = total,         # my own independent variables 
        self.G = G,
        self.t = t
    
    def _evaluate(self, x, out):   
        f1 = 1/3*self.total*(1+2*((x[0]-x[2])*np.exp(-self.t/x[1]) + x[2]))
        f2 = 1/3*self.total*self.G*(1-((x[0]-x[2])*np.exp(-self.t/x[1]) + x[2]))
        #f1 = x[0]**2 + x[1]**2         # example from guide
        #f2 = (x[0]-1)**2 + x[1]**2
        
        out["F"] = np.column_stack([f1, f2])
        
elementwise_problem = MyProblem(total,G,t)

problem = elementwise_problem

algorithm = NSGA2(pop_size = 100,
                  n_offspring = 10, 
                  sampling = get_sampling('real_random'),
                  crossover = get_crossover('real_sbx', prob = 0.9, eta = 15),
                  mutation = get_mutation('real_pm',eta = 20),
                  eliminate_duplicates = True)

termination = get_termination("n_gen", 40)

# method 1
results = minimize(problem,
                   algorithm,
                   termination,
                   seed = 1, 
                   save_history = True,
                   verbose = True)

# method 2
obj = copy.deepcopy(algorithm)

obj.setup(problem, termination = termination, seed = 1)

# until the termination criterion has not been met
while obj.has_next():
    # perform an iteration of the algorithm
    obj.next()
    # access the algorithm to print some intermediate outputs
    print(f"gen: {obj.n_gen} n_nds: {len(obj.opt)} constr: {obj.opt.get('CV').min()} ideal: {obj.opt.get('F').min(axis=0)}")
    

result = obj.result()

当我打印出问题类中_evaluate_elementwise方法中的kwargs时，我确实得到了它是算法对象：

{'算法'：

我很难理解它是如何将algorithm对象作为_evalute的参数的，它接受（_x，_out，*args，**kwargs）。如果有人更熟悉这个软件包，我将非常感谢您的帮助！

以下是完整的轨迹回溯：

关键字args:{'algorithm'：

文件“”，第6行，格式为verbose=True）

文件“C:\Users\anaconda3\lib\site packages\pymoo\optimize.py”，第85行，在minimize res=算法中。解决（）

文件"C：\用户\anaconda3\lib\site-包\pymoo\Model\algorithm.py"，第226行，在解决自._solve（self.problem）

文件"C：\用户\anaconda3\lib\site-包\pymoo\Model\algorithm.py"，第321行，_solveself.next（）

文件"C：\用户\anaconda3\lib\site-包\pymoo\Model\algorithm.py"，第243行，下self.initialize（）

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

文件“C:\Users\anaconda3\lib\site packages\pymoo\algorithms\genetic\u algorithm.py”，第81行，在初始化self中。评估员。eval（self.problem，pop，算法=self）

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

文件"C：\用户\anaconda3\lib\site-包\pymoo\Model\evaluator.py"，第97行，在_eval**kwargs）

文件“C:\Users\anaconda3\lib\site packages\pymoo\model\problem.py”，第284行，在evaluate out=self中_按元素计算（X，计算梯度，out，*args，**kwargs）

文件“C:\Users\anaconda3\lib\site packages\pymoo\model\problem.py”，第413行，在元素方面[ret.append（func（x））为x中的x]

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

文件“C:\Users\anaconda3\lib\site packages\pymoo\model\problem.py”，第400行，在func self中_评估（x，out，*args，**kwargs）

_evaluate（）得到了一个意外的关键字参数算法

Answer 1

您的错误似乎是由于\u evaluate函数中缺少*args、**kwargs而发生的。我编辑了您的代码，您可以检查：

class MyProblem(Problem):
    
    total = 5.0        # my own independent variables 
    G = 6.0
    t = 7.0
        
    def __init__(self):                      
        super().__init__(n_var = 3,  # 2 in the case of the example from guide
                         n_obj = 2, 
                         n_constr = 0, 
                         #xl = np.array([-1.0,0.0]),    # for example from guide
                         #xu = np.array([1.0, 10.0]),
                         xl = np.array([-1.0,0.0, -1.0]), 
                         xu = np.array([1.0, 10.0, 1.0]),
                         elementwise_evaluation = True)

    
    def _evaluate(self, x, out, *args, **kwargs): # added *args, **kwargs   
        f1 = 1/3*self.total*(1+2*((x[0]-x[2])*np.exp(-self.t/x[1]) + x[2]))
        f2 = 1/3*self.total*self.G*(1-((x[0]-x[2])*np.exp(-self.t/x[1]) + x[2]))
        #f1 = x[0]**2 + x[1]**2         # example from guide
        #f2 = (x[0]-1)**2 + x[1]**2
        
        out["F"] = np.column_stack([f1, f2])
        
elementwise_problem = MyProblem()

#problem = elementwise_problem

algorithm = NSGA2(pop_size = 100,
                  n_offspring = 10, 
                  sampling = get_sampling('real_random'),
                  crossover = get_crossover('real_sbx', prob = 0.9, eta = 15),
                  mutation = get_mutation('real_pm',eta = 20),
                  eliminate_duplicates = True)

termination = get_termination("n_gen", 40)

# method 1
results = minimize(elementwise_problem,
                   algorithm,
                   termination,
                   seed = 1, 
                   save_history = True,
                   verbose = True)