Ax项目中多任务多目标优化的Pareto最优参数获取方法

背景介绍

在基于Ax框架进行多任务多目标优化(Multi-Task Multi-Objective Optimization)时，开发者经常需要获取Pareto最优参数集。Pareto最优解是指在多目标优化问题中，无法在不损害至少一个其他目标的情况下改进任何一个目标的解集。然而，在Ax框架的当前版本中，对于多任务场景下的Pareto最优参数获取支持尚不完善。

问题分析

当尝试使用ax_client.get_pareto_optimal_parameters()方法获取多任务多目标优化问题的Pareto最优解时，会遇到一个关键错误："StratifiedStandardizeY requires task to be fixed here"。这个错误源于Ax框架内部转换层的一个限制——在进行目标值反转换时，需要明确指定任务特征。

具体来说，问题出现在以下方面：

1. 多任务模型需要知道当前是针对哪个任务获取Pareto前沿
2. 标准转换层StratifiedStandardizeY需要固定的任务特征才能正确工作
3. 当前的API设计没有提供传递任务特征的接口

临时解决方案

在Ax框架官方提供完整支持前，开发者可以采用以下临时解决方案：

def get_pareto_optimal_solutions(df, task="A"):
    """自定义函数获取指定任务的Pareto最优解
    
    参数:
        df: 包含所有试验数据的DataFrame
        task: 要分析的任务标识
        
    返回:
        包含(参数字典, 目标值字典)元组的列表
    """
    # 筛选指定任务的数据
    task_data = df[df["task"] == task]
    
    # 提取目标值列
    objectives = task_data.iloc[:, 4:6].values
    
    # 计算Pareto最优解
    is_pareto = ~np.any(np.all(objectives[:, None] > objectives, axis=2), axis=1)
    pareto_solutions = task_data[is_pareto]
    
    # 格式化返回结果
    return [
        (
            dict(row[df.columns[6:-1]]),  # 参数部分
            dict(row[df.columns[4:6]])    # 目标值部分
        )
        for _, row in pareto_solutions.iterrows()
    ]

这个自定义函数实现了：

1. 按任务筛选试验数据
2. 计算该任务下的Pareto前沿
3. 返回格式化的参数和目标值组合

未来展望

根据Ax开发团队的规划，未来版本将会重构最佳点计算工具，预期将提供更好的多任务和多保真度场景支持。届时开发者将能够直接使用内置API获取多任务场景下的Pareto最优解，而无需自定义实现。

实践建议

对于当前需要使用多任务多目标优化的开发者，建议：

1. 对于简单场景，可以使用上述自定义函数临时解决问题
2. 对于复杂场景，可以考虑修改Ax源码中的最佳点计算工具
3. 关注Ax的版本更新，及时迁移到官方支持的API

多任务多目标优化是一个复杂但强大的工具，合理使用可以显著提高实验效率。虽然当前框架存在一些限制，但通过适当的变通方法，仍然可以实现所需功能。