EVO X
Open menu

Transformación de MATLAB a PyTorch y EvoX

Transformación de MATLAB a PyTorch y EvoX

Este documento tiene como objetivo guiar a los usuarios de MATLAB en la transición a PyTorch y EvoX para la computación evolutiva. Destacaremos las diferencias fundamentales entre MATLAB y PyTorch en términos de sintaxis, estructuras de datos y flujo de trabajo. Luego, ilustraremos estas diferencias utilizando un ejemplo de Optimización por Enjambre de Partículas (PSO) tanto en MATLAB como en PyTorch.

Diferencias de Sintaxis

Creación e Indexación de Arreglos

MATLAB

  • Utiliza indexación basada en 1.
  • Los vectores y matrices se declaran usando corchetes y puntos y coma (por ejemplo, [1 2 3; 4 5 6]). La inicialización aleatoria con rand() devuelve valores en el intervalo $[0, 1)$.
  • El rebanado (slicing) se realiza utilizando la sintaxis (start:end) y utiliza indexación basada en 1.

PyTorch

  • Utiliza indexación basada en 0.
  • Los arreglos (tensores) se crean típicamente usando constructores como torch.rand(), torch.zeros(), o listas de Python convertidas a tensores con torch.tensor().
  • El rebanado se realiza usando [start:end] con índices basados en 0.

Cómputo de Matrices

MATLAB

  • Realiza la multiplicación de matrices de álgebra lineal mediante *.
  • Utiliza .* para multiplicar elementos correspondientes de matrices del mismo tamaño.
  • / representa la división de matriz a la derecha.
  • .^ representa la potencia elemento a elemento.
  • Las dimensiones finales e iniciales de los tensores con longitud 1 son ignoradas.
  • Encuentra automáticamente dimensiones compatibles para broadcasting en operaciones elemento a elemento y realiza una extensión de dimensión implícita.

PyTorch

  • Realiza la multiplicación de matrices de álgebra lineal mediante @ o torch.matmul().
  • Utiliza directamente * para multiplicar elementos correspondientes de tensores de la misma forma o formas compatibles para broadcasting.
  • / representa la división elemento a elemento.
  • ** representa la potencia elemento a elemento.
  • Las dimensiones de los tensores con longitud 1 son preservadas y tratadas como dimensiones de broadcasting.
  • Evita la mayoría de las extensiones de dimensión implícitas; usualmente se requieren dimensiones de broadcasting explícitas.

Funciones y Definiciones

MATLAB

  • Una función se define mediante la palabra clave function.
  • Un archivo puede contener múltiples funciones, pero típicamente la función principal comparte el nombre del archivo.
  • Las funciones anónimas (por ejemplo, @(x) sum(x.^2)) se utilizan para cálculos cortos en línea.

PyTorch

  • Las funciones se definen usando la palabra clave def, típicamente dentro de un solo archivo .py o módulo.
  • Las clases se utilizan para encapsular datos y métodos de manera orientada a objetos.
  • Las lambdas sirven como funciones anónimas cortas (lambda x: x.sum()), pero no se permiten lambdas de múltiples líneas.

Flujo de Control

MATLAB

  • Utiliza bucles for i = 1:N … end con indexación basada en 1.
  • Sentencias condicionales como if, elseif, y else.

PyTorch

  • Utiliza for i in range(N): con indexación basada en 0.
  • La sangría (indentación) es significativa para definir el alcance en bucles y condicionales (no hay palabra clave end).

Impresión y Comentarios

MATLAB

  • Utiliza las funciones fprintf() para salida formateada.
  • Utiliza % para comentarios de una sola línea.

PyTorch

  • Utiliza print con f-strings para salida formateada.
  • Utiliza # para comentarios de una sola línea.

Codificación Multilínea

MATLAB

  • Utiliza ... al final de una línea para indicar que la siguiente línea debe tratarse como parte de la misma.

Python

  • Utiliza \ al final de una línea para indicar que la siguiente línea debe tratarse como parte de la misma.
  • Si hay varias líneas dentro de paréntesis, no se requiere ningún símbolo especial al final.

¿Cómo escribir un Algoritmo de Computación Evolutiva a través de EvoX?

MATLAB

Un ejemplo de código MATLAB para el algoritmo PSO es el siguiente:

function [] = example_pso()
    pso = init_pso(100, [-10, -10], [10, 10], 0.6, 2.5, 0.8);
    test_fn = @(x) (sum(x .* x, 2));
    for i = 1:20
        pso = step_pso(pso, test_fn);
        fprintf("Iteration = %d, global best = %f\n", i, pso.global_best_fitness);
    end
end


function [self] = init_pso(pop_size, lb, ub, w, phi_p, phi_g)
    self = struct();
    self.pop_size = pop_size;
    self.dim = length(lb);
    self.w = w;
    self.phi_p = phi_p;
    self.phi_g = phi_g;
    % setup
    range = ub - lb;
    population = rand(self.pop_size, self.dim);
    population = range .* population + lb;
    velocity = rand(self.pop_size, self.dim);
    velocity = 2 .* range .* velocity - range;
    self.lb = lb;
    self.ub = ub;
    % mutable
    self.population = population;
    self.velocity = velocity;
    self.local_best_location = population;
    self.local_best_fitness = Inf(self.pop_size, 1);
    self.global_best_location = population(1, :);
    self.global_best_fitness = Inf;
end


function [self] = step_pso(self, evaluate)
    % Evaluate
    fitness = evaluate(self.population);
    % Update the local best
    compare = find(self.local_best_fitness > fitness);
    self.local_best_location(compare, :) = self.population(compare, :);
    self.local_best_fitness(compare) = fitness(compare);
    % Update the global best
    values = [self.global_best_location; self.population];
    keys = [self.global_best_fitness; fitness];
    [min_val, min_index] = min(keys);
    self.global_best_location = values(min_index, :);
    self.global_best_fitness = min_val;
    % Update velocity and position
    rg = rand(self.pop_size, self.dim);
    rp = rand(self.pop_size, self.dim);
    velocity = self.w .* self.velocity ...
        + self.phi_p .* rp .* (self.local_best_location - self.population) ...
        + self.phi_g .* rg .* (self.global_best_location - self.population);
    population = self.population + velocity;
    self.population = min(max(population, self.lb), self.ub);
    self.velocity = min(max(velocity, self.lb), self.ub);
end

En MATLAB, la función init_pso() inicializa el algoritmo, una función separada step_pso() realiza un paso de iteración y la función principal example_pso() orquesta el bucle.

EvoX

En EvoX, puedes construir el algoritmo PSO de la siguiente manera:

Primero, se recomienda importar los módulos y funciones necesarios de EvoX y PyTorch.

import torch

from evox.core import *
from evox.utils import *
from evox.workflows import *
from evox.problems.numerical import Sphere

Luego, puedes transformar el código MATLAB al código Python correspondiente de acuerdo con la sección de “Diferencias de Sintaxis”.

def main():
    pso = PSO(pop_size=10, lb=torch.tensor([-10.0, -10.0]), ub=torch.tensor([10.0, 10.0]))
    wf = StdWorkflow()
    wf.setup(algorithm=pso, problem=Sphere())
    for i in range(1, 21):
        wf.step()
        print(f"Iteration = {i}, global best = {wf.algorithm.global_best_fitness}")

@jit_class
class PSO(Algorithm):
    def __init__(self, pop_size, lb, ub, w=0.6, phi_p=2.5, phi_g=0.8):
        super().__init__()
        self.pop_size = pop_size
        self.dim = lb.shape[0]
        self.w = w
        self.phi_p = phi_p
        self.phi_g = phi_g
        # setup
        lb = lb.unsqueeze(0)
        ub = ub.unsqueeze(0)
        range = ub - lb
        population = torch.rand(self.pop_size, self.dim)
        population = range * population + lb
        velocity = torch.rand(self.pop_size, self.dim)
        velocity = 2 * range * velocity - range
        self.lb = lb
        self.ub = ub
        # mutable
        self.population = population
        self.velocity = velocity
        self.local_best_location = population
        self.local_best_fitness = torch.full((self.pop_size,), fill_value=torch.inf)
        self.global_best_location = population[0, :]
        self.global_best_fitness = torch.tensor(torch.inf)

    def step(self):
        # Evaluate
        fitness = self.evaluate(self.population)
        # Update the local best
        compare = self.local_best_fitness > fitness
        self.local_best_location = torch.where(compare.unsqueeze(1), self.population, self.local_best_location)
        self.local_best_fitness = torch.where(compare, fitness, self.local_best_fitness)
        # Update the global best
        values = torch.cat([self.global_best_location.unsqueeze(0), self.population], dim=0)
        keys = torch.cat([self.global_best_fitness.unsqueeze(0), fitness], dim=0)
        min_index = torch.argmin(keys)
        self.global_best_location = values[min_index]
        self.global_best_fitness = keys[min_index]
        # Update velocity and position
        rg = torch.rand(self.pop_size, self.dim)
        rp = torch.rand(self.pop_size, self.dim)
        velocity = (
            self.w * self.velocity
            + self.phi_p * rp * (self.local_best_location - self.population)
            + self.phi_g * rg * (self.global_best_location - self.population)
        )
        population = self.population + velocity
        self.population = clamp(population, self.lb, self.ub)
        self.velocity = clamp(velocity, self.lb, self.ub)


# Run the main function
if __name__ == "__main__":
    main()

Nota: Vale la pena notar que usamos [] con ; y , en MATLAB para concatenar matrices y vectores a lo largo de una dimensión específica; sin embargo, en EvoX, torch.cat debe invocarse con el argumento dim para indicar la dimensión de concatenación. Además, en PyTorch, los tensores a concatenar deben tener el mismo número de dimensiones; por lo tanto, se aplica un XXX.unsqueeze(0) adicional para agregar una nueva dimensión de longitud 1 antes de la primera dimensión.

En EvoX, la lógica de PSO se encapsula dentro de una clase que hereda de Algorithm. Este diseño orientado a objetos simplifica la gestión del estado y la iteración, e introduce las siguientes ventajas:

  • Método evaluate() heredado Simplemente puedes llamar a self.evaluate(self.population) para calcular los valores de fitness, en lugar de pasar manualmente tu función objetivo en cada iteración.
  • Integración de Workflow incorporada Cuando registras tu clase PSO con un workflow StdWorkflow, este se encarga de las llamadas iterativas a step() por ti.

Al extender Algorithm, __init__() configura todos los componentes principales de PSO (población, velocidad, mejor local/global, etc.) en un constructor de clase estándar de Python.

← Volver a documentación