FlexDMO

Appearance

自定义结果展示 ​

在 FlexDMO 平台中，您可以通过自定义结果展示来在测试模块（Test module）中可视化算法的优化过程和结果。本文档将详细介绍如何实现自定义结果展示，以及如何在平台中使用它们。 如下图绿色高亮区域所示，您可以在"Result Display"区域实时查看算法的优化结果： 结果展示界面

1. 注册结果展示指标 ​

在自定义结果展示前，首先需要在 plots/test_module/config.json 文件中注册您的结果指标。 该文件用于定义平台"Result Display"区域下拉菜单中可选的结果类型。例如：

json
{
    "result_indicator": [
        "Pareto Front",
        "Pareto Set",
        "IGD",
        "Your Display..."
    ]
}
  • 每个字符串代表一个可供选择的结果展示类型。
  • 您可以根据需要添加、修改或删除指标名称，平台会自动识别并在界面中显示。

注意： 只有在此处注册的结果类型，后续自定义展示模块才能被平台正确调用和显示。

2. 注册与实现绘图函数 ​

注册完展示指标后，需要在 plots/test_module/draw_population.py 文件中实现对应的绘图函数。平台会根据您在 config.json 中注册的结果类型，自动调用这里的绘图方法进行结果展示。

步骤说明 ​

  1. 定义绘图函数
    在 draw_population.py 文件中，按照已有函数风格，添加您的自定义展示函数。例如：

    python
    def draw_YourDisplay(information, ax):
    # information: 当前优化信息
    # ax: matplotlib 的轴对象
    
    # 清除上一次绘图内容（重要！）
    ax.clear()
    
    # TODO: 实现您的自定义绘图逻辑
    pass

    TIP

    information 的详细结构说明请参见：information 数据结构说明

  2. 在调度函数中注册
    确保在 draw_selected_chart 函数中添加您的展示类型分支，例如：

    python
    def draw_selected_chart(information, ax, chart_type='Pareto Front'):
    if chart_type == 'Pareto Front':
        draw_PF(information, ax)
    elif chart_type == 'IGD':
        draw_IGD_curve(information, ax)
    elif chart_type == 'Pareto Set':
        draw_PS(information, ax)
    elif chart_type == 'Your Display...':
        draw_YourDisplay(information, ax)
    else:
        raise ValueError(f'未知的图表类型: {chart_type}')

3. 完整绘图函数示例 ​

以下是平台内置的 draw_PF 函数实现，供自定义展示时参考：

python
def draw_PF(information, ax):
    # 当前时间步 & 当前评估次数
    t_now = information.get("t", '?')
    evaluate_time = information["evaluate_times"]

    # 当前种群与目标函数值
    population = information["population"]
    pf_matrix = population.get_objective_matrix()
    true_PF = information.get("POF", None)

    ax.clear()

    # --- 获取历史信息 ---
    history = global_vars['test_module'].get("runtime_populations", {})
    
    # 只取当前时间步之前的4个时间步
    recent_times = [t for t in history if t < t_now][-4:] if len(history) > 4 else [t for t in history if t < t_now]
    # --- 绘制历史 PF（灰色，变淡） ---
    for t_hist in recent_times:
        try:
            info_hist = history[t_hist]
            last_key, last_value = list(info_hist.items())[-1]
            pf_hist = last_value["population"].get_objective_matrix()
            pof_hist = last_value["POF"]
            if pof_hist[:, 0] is not None:
                ax.scatter(pof_hist[:, 0], pof_hist[:, 1],
                        s=10, color='gray', alpha=0.2, marker='.')
            ax.scatter(pf_hist[:, 0], pf_hist[:, 1],
                       s=6, alpha=0.2, color='gray')
        except Exception as e:
            print(f"[绘制错误] t={t_hist}, error={e}")
            continue

    # --- 当前 PF ---
    ax.scatter(pf_matrix[:, 0], pf_matrix[:, 1],
               s=10, label="Current PF", alpha=0.6, color='blue')

    # --- 当前 POF（理论） ---
    if true_PF is not None:
        ax.scatter(true_PF[:, 0], true_PF[:, 1],
                s=10, label="Current True POF", color='orange', alpha=0.9, marker='.')

    # 图标题增加 evaluate_time
    ax.set_title(f"Dynamic PF (t={t_now}, evaluations={evaluate_time})", fontsize=10)
    ax.set_xlabel("f1", fontsize=9)
    ax.set_ylabel("f2", fontsize=9)
    ax.legend(fontsize=8)
    ax.grid(True)
    plt.tight_layout()

函数详解 ​

1. 数据获取阶段 ​

python
t_now = information.get("t", '?')
evaluate_time = information["evaluate_times"]
population = information["population"]
pf_matrix = population.get_objective_matrix()
true_PF = information.get("POF", None)
  • 时间信息：获取当前时间步 t_now 和评估次数 evaluate_time
  • 种群数据：提取当前种群的目标函数矩阵 pf_matrix
  • 理论前沿：获取当前环境的理论帕累托前沿 true_PF（如果存在）

2. 历史数据处理 ​

python
history = global_vars['test_module'].get("runtime_populations", {})
recent_times = [t for t in history if t < t_now][-4:] if len(history) > 4 else [t for t in history if t < t_now]
  • 历史获取：从全局变量中获取运行时历史数据
  • 时间筛选：仅保留最近4个时间步的数据，避免图形过于拥挤
  • 性能优化：限制历史数据量，提高绘图效率

3. 历史前沿绘制 ​

python
for t_hist in recent_times:
    try:
        info_hist = history[t_hist]
        last_key, last_value = list(info_hist.items())[-1]
        pf_hist = last_value["population"].get_objective_matrix()
        pof_hist = last_value["POF"]
        # 绘制历史理论前沿和实际前沿（灰色半透明）
        ax.scatter(pof_hist[:, 0], pof_hist[:, 1], s=10, color='gray', alpha=0.2, marker='.')
        ax.scatter(pf_hist[:, 0], pf_hist[:, 1], s=6, alpha=0.2, color='gray')
    except Exception as e:
        print(f"[绘制错误] t={t_hist}, error={e}")
        continue
  • 数据提取：从历史记录中提取每个时间步的种群和理论前沿
  • 视觉层次：使用灰色半透明显示历史数据，突出当前结果
  • 异常处理：确保单个时间步的错误不影响整体绘制

4. 当前结果绘制 ​

python
# 当前种群前沿（蓝色）
ax.scatter(pf_matrix[:, 0], pf_matrix[:, 1], s=10, label="Current PF", alpha=0.6, color='blue')

# 当前理论前沿（橙色）
if true_PF is not None:
    ax.scatter(true_PF[:, 0], true_PF[:, 1], s=10, label="Current True POF", color='orange', alpha=0.9, marker='.')
  • 当前前沿：使用蓝色显示当前算法找到的帕累托前沿
  • 理论对比：用橙色点显示理论最优前沿，便于性能评估
  • 图例标识：添加图例说明，便于用户理解

5. 图形美化 ​

python
ax.set_title(f"Dynamic PF (t={t_now}, evaluations={evaluate_time})", fontsize=10)
ax.set_xlabel("f1", fontsize=9)
ax.set_ylabel("f2", fontsize=9)
ax.legend(fontsize=8)
ax.grid(True)
plt.tight_layout()
  • 动态标题：显示当前时间步和评估次数
  • 坐标轴标签：清晰标注目标函数维度
  • 网格线：提高数据读取精度
  • 布局优化：自动调整图形布局

实现要点 ​

  1. 错误处理：使用 try-except 确保绘图稳定性
  2. 性能考虑：限制历史数据量，避免内存溢出
  3. 视觉设计：通过颜色、透明度区分不同类型的数据
  4. 信息完整：同时显示算法结果和理论基准
  5. 动态更新：每次调用 ax.clear() 确保图形刷新

TIP

你可以参考该函数的结构和信息获取方式，结合自己的需求实现个性化的结果展示。