AutoSampler是個智能採樣器，能根據具體問題自動挑選 Optuna 裏最合適的優化算法。這個工具在 OptunaHub 上熱度很高，每週下載量超過 3 萬次。最早的版本對單目標優化做了專門的自動選擇邏輯，為了配合下個月發佈的 Optuna v4.6，AutoSampler 終於把多目標和約束優化的完整支持做完了。這篇文章會講清楚新功能怎麼用，順帶看看基準測試的表現如何。最新版本其實現在就能用了。
多目標和約束優化的實現
新版 AutoSampler 延續了之前的設計思路——分析評估預算、搜索空間、約束條件、目標數量這些因素，然後自動選一個實際效果不比默認差的採樣器。
更新後的選擇規則覆蓋了多目標和約束優化場景。系統會在幾個採樣器之間自動切換（圖 1）：
TPESampler：處理帶分類變量和條件分支的複雜搜索空間比較在行GPSampler：連續和整數搜索空間的首選，現在支持多目標和約束了NSGAIISampler和NSGAIIISampler：評估次數多的用 NSGA-II，目標多的用 NSGA-III
圖1：AutoSampler 對約束優化和多目標優化的支持終於完整了
使用方式
先裝依賴，optuna 需要 4.5 或更新的版本：
pip install -U optuna optunahub
pip install -r https://hub.optuna.org/samplers/auto_sampler/requirements.txt然後用
optunahub.load_module加載
"samplers/auto_sampler"包，實例化 AutoSampler，就能當普通 Optuna 採樣器用了。下面代碼是一個多目標優化的例子：
import optuna
import optunahub
def objective(trial: optuna.Trial) -> tuple[float]:
x = trial.suggest_float("x", 0, 5)
y = trial.suggest_float("y", 0, 3)
return 4 * x**2 + 4 * y**2, (x - 5)**2 + (y - 5)**2
study = optuna.create_study(
directions=["minimize", "minimize"],
sampler=optunahub.load_module("samplers/auto_sampler").AutoSampler()
)
study.optimize(objective, n_trials=300)
print(study.best_trials)如果之前用過 AutoSampler 的話，本地緩存可能是舊版本，所以需要加個
force_reload=True參數強制更新一下：
>>>importoptunahub; optunahub.load_module("samplers/auto_sampler", force_reload=True)性能表現
拿最新的 AutoSampler 和 Optuna 默認採樣器對比了下多目標和約束優化場景的表現。
多目標優化測試
多目標基準用的是 WFG1 問題。從圖 2 能看出來 AutoSampler 的搜索效果更好。默認採樣器固定用 NSGA-II 算法，AutoSampler 會根據評估次數、目標數量、搜索空間這些特徵在 GPSampler、TPESampler、NSGAIISampler、NSGAIIISampler 四個方法之間動態切換。這種自適應策略讓它能找到更好的解。
圖2：WFG1 基準測試結果
約束優化測試
約束問題用的是 bbob-constrained 基準集裏 5 維旋轉 Rastrigin 函數加三個約束條件。圖 3 顯示 AutoSampler 又是更好的那個。
優勢來自新的選擇規則引入了具備約束感知能力的 GPSampler（Optuna v4.2 引入），在約束搜索空間裏導航效率明顯高一些。對於同時有約束和多目標的問題，還能用上 Optuna v4.5 裏 GPSampler 的進一步增強。
圖3：旋轉 Rastrigin 函數基準測試結果
總結
這次更新讓 AutoSampler 完整支持了多目標和約束優化。在集成到工作流後，基本能達到和默認採樣器持平或更好的效果，而且不需要用手動選算法。這樣省下的精力可以專注在問題本身，優化策略交給 Optuna 自動處理就行。
https://avoid.overfit.cn/post/67621750374c48e1a5cf8c00e11991ac
作者：Yoshihiko Ozaki
