使用pymoo进行NSGA2多目标优化时遇形状匹配错误求助

问题分析 #

你遇到的错误源于ElementwiseProblem的_evaluate方法中约束值的输出形状不符合要求。ElementwiseProblem的_evaluate是针对单个个体计算的，每个个体的约束输出应为一维数组（长度等于定义的n_ineq_const），但你用np.column_stack([g1, g2])生成了(1,2)的二维数组，导致批量处理时整体形状变为(100,1,2)，与预期的(100,2)不匹配。

修复代码 #

修改_evaluate方法中out["G"]的赋值方式，直接返回一维的约束值列表或数组即可：

import numpy as np
from pymoo.algorithms.moo.nsga2 import NSGA2
from pymoo.core.problem import ElementwiseProblem
from pymoo.optimize import minimize
from pymoo.visualization.scatter import Scatter

class TestProblem(ElementwiseProblem):

    def __init__(self):
        super().__init__(n_var=3,
                         n_obj=2,
                         n_ineq_const=2,
                         vtype=int)

    def _evaluate(self, TA, out, *args, **kwargs):
        f1 = 910 * TA[0] + 2280 * TA[1] + 5500 * TA[2]
        f2 = (200-TA[0])/TA[0] + (500-TA[1])/TA[1] + (100-TA[2])/TA[2]
        g1 = TA[2] + TA[0] - TA[1]
        g2 = TA[0] + TA[2] - 61

        out["F"] = [f1, -f2]
        # 修改为一维数组或列表形式
        out["G"] = np.array([g1, g2])
        # 也可以直接用列表：out["G"] = [g1, g2]


problem = TestProblem()

algorithm = NSGA2(pop_size=100)

res = minimize(problem,
               algorithm,
               ("n_gen", 200),
               save_history=False,
               verbose=False,
               seed=1)

# 可选：绘制优化结果
plot = Scatter()
plot.add(res.F, color="red")
plot.show()

关键说明 #

• ElementwiseProblem会自动将单个个体的计算结果堆叠成批量形状（比如100个个体时，F变为(100,2)，G变为(100,2)），因此无需手动做维度堆叠，只需返回单个个体对应的目标值和约束值即可。
• 错误提示中的expected shape (100, 0)属于误导性信息，实际是因为你的G输出形状错误，导致pymoo无法正确识别约束数量，误判为n_ineq_const=0。

内容的提问来源于stack exchange，提问作者H. Farhadi