快速开始

总览

FlexDMO 是一个专为动态多目标算法设计的高效分析与实验平台，目前已实现以下两大核心模块：

🧩 分析模块

支持实验算法的动态组合与参数灵活选择
提供实验数据可视化，直观展示优化过程
内置算法性能统计分析工具
独有实验过程回放功能，便于复现与对比

🧪 实验模块

集成多种经典动态多目标测试问题
内置丰富的动态多目标算法
支持实验并行数量自定义，提升效率
提供一站式结果输出工具，方便数据整理与分析

🚀 FlexDMO 致力于为研究者和开发者提供结构化、可视化、易扩展的动态多目标优化实验环境。

安装

前提条件

Python的版本需大于3.10，且以下的安装方式仅保证用户可以启动平台，某些算法可能用到了其他额外的库，需要用户根据运行提示自行安装

克隆仓库

bash

git clone https://github.com/Xieliuliuliu/FlexDMO.git
cd FlexDMO

创建虚拟环境（推荐）

bash

python -m venv venv
# Windows
venv\Scripts\activate
# macOS/Linux
source venv/bin/activate

安装依赖
bash
```
pip install -r requirements.txt
```
启动平台
bash
```
python main.py
```

功能概述

本节将分步骤简要介绍平台的核心操作流程，帮助用户快速理解和掌握各项功能

分析模块

步骤一：选择响应策略，搜索算法以及优化问题

在动态多目标优化领域，通常的动态多目标算法由静态搜索算法与动态响应策略两部分组成。有些算法通过专门设计动态响应策略来应对动态多目标问题^[1]，一些算法通过历史信息来辅助静态算法搜索^[2]，还有些算法在动态策略和搜索算法两方面都进行了设计^[3]。动态多目标基本流程

因此，为方便研究人员快速对比分析不同的算法组合表现，本平台支持用户根据需要设计动态策略与搜索算法，并将二者组合起来。

如下图所示，在算法运行前，用户需依次选择 Dynamic Strategy、Search Algorithm 和 Problem 。

提示

此处仅支持单选，多选仅第一个生效

步骤二：设置算法超参

在选择好需要测试的相关选项后，用户可以根据自己需要设置运行参数以观察算法表现。

补充

平台中按照规定实现的Search Algorithm、 Dynamic Strategy与Problem会实现相关父类并编写info.json与config.json，前者是其相关背景信息，后者是其需要的超参与默认的参数。因此，默认情况用户不需要对参数进行修改。

步骤三：选择显示指标

在开始运行前或优化过程中，用户都可以选择希望观察的图表。平台会合并高频更新，只绘制最新画面；选择的图表越多，绘图开销仍会相应增加。

提示

运行结束后可直接回放本次运行。只有需要以后再次加载时，才需要选中 Auto-save result 保存结果文件。

在运行过程中，用户可以通过 Start / Resume、 Pause 与 Terminate 控制开始/恢复、暂停和终止。

步骤四：运行结果回放

算法运行结束后，回放时间轴会自动定位到最后一个快照。用户可以立即拖动时间轴查看整个优化过程；加载已保存结果时使用同一套回放流程。

功能模块	具体功能
回放控制	• 按实际快照顺序拖动时间轴 • 显示当前与最终评估次数
可视化展示	• 显示种群分布变化 • 展示 Pareto 前沿演化 • 灰色显示动态不可行域
性能指标计算	• 支持多种指标的计算（MHV、MIGD...）

提示

时间轴按保存的快照移动，而不是把稀疏的评估次数当作连续帧，因此每次拖动都会对应一个真实画面。

实验模块

步骤一选择对比算法与测试问题

此处选择方式与分析模块的步骤一选择方式相同，区别是这里可以多选，通过ctrl+左键多选或者shift+左键范围多选。多选的搜索算法和响应策略会通过笛卡尔积的方式组合，并在用户选择的每个测试问题上进行运行。

多选说明

使用 Ctrl + 左键 进行多选
使用 Shift + 左键 进行范围选择
选中的算法组合将在每个测试问题上运行

步骤二设置环境变化参数

如下图所示，在选择完算法后，用户需设置环境的变化参数 $n_t$ 和 $\tau_t$ 。这些参数决定了优化过程中环境的变化特性：

对于规则变化的DMOPs，环境变化时间计算公式为：

$t = \frac{1}{n_t} \cdot \frac{\tau}{\tau_t}$

其中：

$n_t$ 表示环境变化的烈度（severity）
$\tau$ 表示总代数（total generation）
$\tau_t$ 表示变化频率（frequency of change）

参数说明

较小的 $\tau_t$ 值表示环境变化更快
较小的 $n_t$ 值表示环境变化更强烈

runs 参数用于设置实验的重复运行次数。由于进化算法具有随机性，单次运行的结果可能不够可靠。通过多次重复运行，我们可以：

获得更稳定的统计结果
评估算法的鲁棒性
进行更可靠的性能比较

当用户选择好运行配置并添加到运行管理栏后，平台会根据用户配置创建运行任务。任务数量由以下因素决定：

配置项	示例值	说明
策略数量	5	动态响应策略
算法数量	1	搜索算法
问题数量	8	测试问题
环境参数	2	$\tau$ 值（10, 20）
运行次数	5	重复运行次数

任务计算

总任务数 = 策略数量 × 算法数量 × 问题数量 × 环境参数数量 × 运行次数

示例：5 × 1 × 8 × 2 × 5 = 400 个运行任务

步骤三运行任务管理

在运行任务前，请设置好保存结果的路径与并行运行的数量，以上内容请勿在运行时进行修改，在运行时，pause按钮进行暂停，再次点击pause即可继续运行，当用户想中断运行时，通过remove即可删除所有运行任务

步骤四运行控制

运行前设置

在开始运行任务前，必须完成以下设置：

设置结果保存路径
配置并行运行数量（建议设置为 CPU 核心数的 50%）

运行控制说明：

运行过程中请勿修改配置参数
使用 Pause 按钮可随时暂停/继续运行
使用 Remove 按钮可中断并删除所有运行任务

步骤五结果分析

平台提供了多种结果分析工具，支持生成图片、Excel等格式的分析结果。分析流程如下：

选择分析工具
- 从预定义的分析工具中选择所需类型
- 平台自动读取工具的 param.json 配置文件
参数配置
- 根据工具要求填写相关参数
- 参数配置决定了分析的具体内容和输出格式
执行分析
- 点击执行按钮开始分析
- 平台将参数传递给分析代码
- 自动生成分析结果文件

自定义内容

FlexDMO 平台支持用户自定义测试问题、搜索算法和响应策略等。

详细文档

组件类型	文档链接
自定义问题	自定义问题文档
自定义算法	自定义算法文档
自定义响应策略	自定义响应策略文档
自定义指标	自定义指标文档
自定义分析	自定义分析文档
自定义显示	自定义显示文档

寻求帮助

如果您在使用 FlexDMO 平台时遇到问题，可以尝试以下方式获取帮助：

查看文档
- 阅读本指南和 API 文档
- 查看常见问题（FAQ）部分
- 参考示例代码
GitHub Issues
- 访问 GitHub Issues 页面
- 查看是否有类似问题
- 如果没有找到相关问题，可以提交新的 Issue
提交 Issue 建议
- 简单描述遇到的问题
- 说明复现步骤
- 提供错误信息
- 注明运行环境
参与改进
- 欢迎 Fork 项目
- 创建分支进行开发
- 提交 Pull Request

提示

提交 Issue 时建议：

先查看文档中是否有相关说明
确保问题可以复现
提供必要的信息

[1] Zhou, Aimin, Yaochu Jin, and Qingfu Zhang. "A population prediction strategy for evolutionary dynamic multiobjective optimization." IEEE Transactions on Cybernetics 44.1 (2013): 40-53.

[2] Yu, Kunjie, et al. "A framework based on historical evolution learning for dynamic multiobjective optimization." IEEE Transactions on Evolutionary Computation (2023).

[3] Wang, Feng, et al. "A new prediction strategy for dynamic multi-objective optimization using diffusion model." IEEE Transactions on Evolutionary Computation (2025).

快速开始 ​

总览 ​

安装 ​

功能概述 ​

分析模块 ​

步骤一： 选择响应策略，搜索算法以及优化问题 ​

步骤二： 设置算法超参 ​

步骤三： 选择显示指标 ​

步骤四： 运行结果回放 ​

实验模块 ​

步骤一 选择对比算法与测试问题 ​

步骤二 设置环境变化参数 ​

步骤三 运行任务管理 ​

步骤四 运行控制 ​

步骤五 结果分析 ​

自定义内容 ​

寻求帮助 ​