HFF

Fonctions de fitness hypersphériques (Hyperspherical Fitness Functions) — un seul ordonnancement sur des milliers d'objectifs.

Les systèmes réels sont évalués selon de nombreux axes à la fois. Les méthodes multi-objectifs classiques s'essoufflent à mesure que les objectifs se multiplient : la dominance s'effondre (tout se retrouve à égalité) et les sommes pondérées font passer en douce des compromis arbitraires. HFF adopte une approche géométrique — orienter les axes des objectifs de sorte que l'idéal se situe en un point unique, projeter les candidats sur l'hypersphère et les classer par leur angle à l'idéal. La direction et la magnitude sont préservées, et la correction par CDF sphérique maintient des scores comparables lorsque le nombre d'objectifs varie.

Pourquoi c'est important

• Ordonnancements stables et holistiques à plus de 1 000 objectifs simultanés
• Coût en O(MN) — assez rapide pour tourner au sein d'une boucle évolutionnaire
• Corrigé en dimension : scores comparables à mesure que des objectifs apparaissent et disparaissent
• Applications : apprentissage par renforcement, optimisation de conception, sélection de portefeuille et de politique

HFF fait l'objet d'une recherche publiée — Hyperspherical Fitness Functions for Many-Objective Optimization, GECCO Companion 2026 — avec une implémentation Rust/Python, et s'exécute avec accélération GPU au sein d'UltraDim comme étape d'évaluation de nos outils d'optimisation.