EVO X
Open menu

6. Fehlerbehebung und Optimierung

6. Fehlerbehebung und Optimierung

Wenn Sie EvoX verwenden, stoßen Sie möglicherweise auf Probleme oder möchten Ihre Algorithmen feinabstimmen. Dieses Kapitel beschreibt häufige Probleme und Lösungen sowie Debugging-Strategien und Tipps zur Leistungsoptimierung, die Ihnen helfen, Probleme zu lösen und Ihre Erfahrung zu optimieren.

6.1 Häufige Probleme und Lösungen

Hier sind einige häufig auftretende Probleme und wie man sie angeht:

(1) Installations- oder Importfehler:

  • Symptom: Fehler beim Ausführen von import evox.
  • Lösung:
    • Installation prüfen: Führen Sie pip show evox zur Überprüfung aus. Falls es nicht installiert ist, überprüfen Sie Ihre virtuelle Umgebung und installieren Sie es neu.
    • Fehlende Abhängigkeiten: Wenn Sie ModuleNotFoundError: No module named 'torch' sehen, installieren Sie PyTorch wie in Kapitel 2 beschrieben.
    • CUDA-Nichtübereinstimmung: Stellen Sie sicher, dass Ihre PyTorch-Version mit Ihren installierten CUDA-Treibern übereinstimmt.

(2) GPU wird nicht verwendet:

  • Symptom: EvoX läuft auf der CPU statt auf der GPU.
  • Lösung:
    • Prüfen Sie mit torch.cuda.is_available(). Falls False, installieren Sie ein GPU-kompatibles PyTorch neu und überprüfen Sie die CUDA-Installation.
    • Falls True, aber EvoX dennoch die CPU nutzt, stellen Sie sicher, dass Ihre Tensoren auf die GPU verschoben werden (siehe Kapitel 3 für die Konfiguration).

(3) Speicherüberlauf (RAM/VRAM):

  • Symptom: Sie sehen OutOfMemoryError.
  • Lösung:
    • Reduzieren Sie die Populationsgröße, die Problemdimension oder die Evaluationshäufigkeit.
    • Verwenden Sie float16 (halbe Genauigkeit) oder teilen Sie die Evaluation in Batches auf (Batch Evaluation Splitting).
    • Schalten Sie Debug-/deterministische Modi in PyTorch aus.
    • Speichern Sie nur Statistiken statt vollständiger Pareto-Fronten (bei Multi-Objective).
    • Ein Hardware-Upgrade ist die ultimative Lösung für Speicherengpässe.

(4) Konvergenzstagnation:

  • Symptom: Der Algorithmus bleibt in einem lokalen Optimum stecken.
  • Lösung:
    • Erhöhen Sie die Populationsdiversität (z. B. höhere Mutationsrate).
    • Versuchen Sie andere Algorithmen oder Parameter.
    • Stellen Sie sicher, dass die Zielfunktion wohldefiniert ist (nicht zu verrauscht oder flach).
    • Führen Sie mehrere Versuche durch und wählen Sie den besten aus – EvoX macht parallele Läufe einfach.

(5) Schlechte Optimierungsergebnisse:

  • Symptom: Die Endergebnisse liegen unter den Erwartungen.
  • Lösung:
    • Problemdefinition prüfen: Stellen Sie sicher, dass die Fitness korrekt berechnet wird (z. B. Vorzeichen, Skalierung).
    • Algorithmus-Passung: Probieren Sie andere aus oder tunen Sie Hyperparameter.
    • Konvergenzkurven nutzen:
      • Frühe flache Linie (Flatline) → vorzeitige Konvergenz.
      • Oszillierend → Zufälligkeit zu hoch.
    • Passen Sie die Algorithmus-Einstellungen an und analysieren Sie das Verhalten über die Zeit.

(6) Backend-Konflikte (JAX vs PyTorch):

  • Symptom: Versehentlich die JAX-Version von EvoX installiert, während PyTorch-Beispiele verwendet werden.
  • Lösung: Der Standardbefehl pip install evox liefert Ihnen die PyTorch-Version. Wenn Sie eine JAX-Version installiert haben, installieren Sie sie gemäß den PyTorch-Anweisungen neu (siehe Kapitel 2). JAX-Funktionen sind separat dokumentiert.

(7) Versionskonflikt:

  • Symptom: API-Aufrufe stimmen nicht mit der installierten Version überein.
  • Lösung:
    • EvoX-Updates können Methodennamen ändern (z. B. ask/tell → step).
    • Verwenden Sie die neueste stabile Version und beziehen Sie sich auf deren Dokumentation.
    • Passen Sie den Code an Ihre EvoX-Version an oder ziehen Sie ein Upgrade in Betracht.

6.2 Tipps zum Debugging

Das Debuggen evolutionärer Algorithmen kann aufgrund ihrer stochastischen Natur knifflig sein. Hier sind praktische Tipps:

(1) Tests im kleinen Maßstab nutzen:

  • Reduzieren Sie Populationsgröße und Iterationsanzahl, um das Debugging zu vereinfachen.
  • Beispiel: pop_size=5, iterations=20.
  • Macht es einfacher, das Populationsverhalten zu verfolgen und Probleme zu isolieren.

(2) Print-Anweisungen einfügen:

  • Geben Sie Populationsfitness, beste Individuen und Zwischenwerte aus.
  • Drucken Sie bei großen Tensoren die Shapes oder verwenden Sie .tolist() für kleinere.
  • Hilft Ihnen, Konvergenz und Operatoreffekte zu verstehen.

(3) IDE-Breakpoints verwenden:

  • Verwenden Sie PyCharm oder VS Code, um Breakpoints innerhalb von Algorithmus-step() oder Evaluationslogik zu setzen.
  • Inspizieren Sie Variablenwerte, Tensor-Inhalte oder Zustandsübergänge.
  • Seien Sie vorsichtig bei großen Tensoren – beschränken Sie, was Sie inspizieren, um Abstürze zu vermeiden.

(4) Eigene Komponenten per Unit-Test prüfen:

  • Testen Sie Crossover-/Mutationsfunktionen separat.
  • Verwenden Sie synthetische Eingaben, um Ausgabe-Shapes und Logik vor der vollständigen Integration zu validieren.

(5) Ausführung profilieren:

  • Verwenden Sie torch.autograd.profiler.profile oder time.time(), um Schrittzeiten zu messen.
  • Hilft Ihnen, Engpässe oder Endlosschleifen zu lokalisieren.
  • Identifizieren Sie, ob Verlangsamungen in der Evaluation oder der Algorithmuslogik liegen.

(6) Ausgabe in Datei protokollieren:

  • Schreiben Sie Logs in .csv-Dateien für lange Läufe.
  • Fügen Sie beste Fitness pro Generation, Diversitätsstatistiken usw. hinzu.
  • Nützlich, wenn Abstürze verhindern, dass die Konsolenausgabe gesehen wird.

Insgesamt erfordert das Debuggen von EvoX-Projekten ein Gleichgewicht aus Korrektheitsprüfungen und Ergebnisanalyse. Konzentrieren Sie sich zuerst darauf, sicherzustellen, dass der Algorithmus ordnungsgemäß läuft, und optimieren Sie dann seine Effektivität.

6.3 Leitfaden zur Leistungsoptimierung

Diese Tipps helfen Ihnen, mehr Geschwindigkeit und Qualität aus EvoX herauszuholen:

(1) Progressives Skalieren:

  • Klein anfangen: Testen Sie die Logik mit kleinen Eingaben.
  • Hochskalieren: Skalieren Sie schrittweise hoch und beobachten Sie, wie die Laufzeit zunimmt.
  • Ineffizienzen identifizieren, wenn die Skalierung nichtlinear ist (z. B. 10x Population → >10x Zeit).

(2) Hardware-Auslastung überwachen:

  • Verwenden Sie nvidia-smi für GPU, htop für CPU.
  • Hohe GPU-Auslastung (>50%) ist ideal.
  • Niedrige GPU-Nutzung kann bedeuten, dass Daten nicht auf der GPU sind oder häufige CPU-GPU-Transfers die Dinge verlangsamen.

(3) Parallelität anpassen:

  • Setzen Sie CPU-Threads: torch.set_num_threads(n).
  • Vermeiden Sie Überbelegung, wenn Sie Multi-Threaded-Evaluationstools verwenden.
  • Optimieren Sie für GPU die DataLoader-Threads, wenn Sie Batch-Umgebungen oder Datensätze verwenden.

(4) Batch-Evaluation nutzen:

  • Batch-Evaluation ist schneller als die Evaluation pro Individuum.
  • Vektorisieren Sie immer Problem.evaluate(), um ganze Populationen zu verarbeiten.

(5) Python-Overhead reduzieren:

  • Verschieben Sie rechenintensive Logik in Algorithm oder Problem, vermeiden Sie komplexen Python-Code in der Hauptschleife.
  • Verwenden Sie workflow.step() für die meisten Operationen.
  • Minimieren Sie Diagnosen pro Generation, wenn sie die Läufe verlangsamen.

(6) Algorithmus-Wahl abstimmen:

  • Probieren Sie CMA-ES, GA, PSO, RVEA usw. aus – kein einzelner Algorithmus ist für alle Probleme der beste.
  • Ein schneller konvergierender Algorithmus kann mehr Zeit sparen als die Mikro-Optimierung eines Algorithmus, der langsam konvergiert.

Leistungsoptimierung ist iterativ. Mit Geduld können Sie von Stunden Laufzeit auf Minuten kommen. EvoX gibt Ihnen viele „Stellschrauben“ – nutzen Sie diese weise, um Geschwindigkeit und Lösungsqualität auszubalancieren.