pymoo下配置自定义步长、对数间隔离散变量的实现方法咨询

不需要在目标评估阶段做手动取值映射，直接利用pymoo内置的变量类型封装能力，就能把所有取值规则统一在变量定义层完成，所有索引到真实业务值的转换逻辑全部由框架自动处理。

核心实现方式 #

pymoo提供了独立的变量类型定义体系，针对你需要的三类变量，直接匹配对应的内置类型即可：

• 连续变量a：使用Float类型，定义连续取值上下界，和原有连续变量的使用逻辑完全一致
• 等差步长离散变量b：使用Integer类型，除了定义整数索引的范围外，直接传入step参数声明等差步长，框架会自动完成索引到实际取值的缩放
• 对数间隔离散变量c：使用Choice类型，直接传入完整的可选取值列表，框架自动完成内部索引到列表元素的映射，不需要手动维护索引转换逻辑

所有变量可以通过MixedVariableSpace组合成统一的决策空间传入问题初始化函数，优化过程中框架会自动处理不同类型变量的交叉、变异逻辑，不需要额外适配。

可直接运行的代码示例 #

import numpy as np
from pymoo.core.problem import ElementwiseProblem
from pymoo.core.variable import Float, Integer, Choice, MixedVariableSpace


class YourOptimizationTask(ElementwiseProblem):
    def __init__(self):
        # 集中声明所有决策变量的取值规则
        var_space = MixedVariableSpace(
            # 连续变量a：范围0-1，和原有逻辑一致
            a=Float(bounds=(0, 1)),
            # 步长5的离散变量b：索引范围0-5，对应取值0,5,10,15,20,25
            b=Integer(bounds=(0, 5), step=5),
            # 对数间隔离散变量c：直接传入指定取值列表
            c=Choice(options=[1, 10, 100, 1000])
        )
        super().__init__(
            variables=var_space,
            n_obj=1,
            n_constr=1,
            elementwise_evaluation=True
        )

    def _evaluate(self, x, out, *args, **kwargs):
        # 此处拿到的x已经是映射完成的真实取值，无需任何手动转换
        a = x["a"]
        b = x["b"]
        c = x["c"]
        
        # 后续目标函数、约束计算直接使用a/b/c即可
        # 示例计算逻辑，替换为你的实际逻辑
        f1 = a ** 2 + b * np.log10(c)
        g1 = f1 - 25  # 示例约束
        
        out["F"] = [f1]
        out["G"] = [g1]

对比原有手动映射方案的改进 #

• 所有变量取值规则集中在初始化阶段声明，逻辑结构清晰，不会出现映射代码散落在评估函数中的问题
• 转换逻辑由框架统一处理，可避免手动计算过程中因浮点精度问题导致的取值错误（比如原实现中round(x[1])遇到浮点边界值出现的计算偏差）
• 变量支持按名称索引调用，后续调整变量顺序、新增/删除变量时，不会因为位置错位修改大量评估逻辑
• 框架会基于每个变量的类型自动适配合法的交叉、变异操作，避免原方案中把离散变量当连续变量处理导致的两类问题：一是生成超出合法索引范围的无效值（比如原实现中连续变量生成x[1]=5.8，round后对应b=30，超出预设的最大取值25），二是浪费计算资源在大量非目标取值的搜索上

内容的提问来源于stack exchange，提问作者azoonux