Por un lado, la Evolutionary Computation es extremadamente potente en la investigación e ingeniería del mundo real, pero difícil de invocar. Por otro lado, las capacidades de las GPU son cada vez más potentes, pero les resulta difícil ejercer su poder en tareas de computación evolutiva.
Necesitamos una solución verdaderamente moderna: soporte nativo para GPU, arquitectura modular, interfaces claras, facilidad de uso inmediata y escalabilidad personalizable. Esto es EvoX: un motor de computación evolutiva para el futuro.
Para ayudar a los usuarios a comenzar rápidamente, el equipo de EvoX ha lanzado el “Tutorial para principiantes de EvoX”. El tutorial consta de 8 capítulos que cubren desde lo básico hasta aplicaciones prácticas avanzadas, guiándolo paso a paso sobre cómo ejecutar algoritmos evolutivos en una GPU.
Recursos completos del tutorial
Tutorial en línea en chino:
EvoX Beginners Tutorial - EvoX Document
Tutorial en PDF en chino:
Por favor, únase al grupo de QQ para obtenerlo: 297969717
A continuación, lo guiaremos a través de todo el proceso, desde la instalación hasta la operación, en solo 10 minutos.
Paso 1: Configuración del entorno
Abra su terminal y cree un entorno de Python limpio:
También puede usar su herramienta preferida para crear un entorno de Python limpio.
Paso 2: Instalar PyTorch y EvoX
Verifique si la GPU está disponible:
Paso 3: Ejecute su primer algoritmo evolutivo
¿Qué hace esto? Compone un algoritmo (PSO), un problema (Ackley) y un monitor (EvalMonitor) a través de una interfaz estándar. ¡EvoX se encarga de todo el paralelismo, la aceleración y el monitoreo!
Paso 4: Graficar la curva de convergencia
Solo una línea es suficiente:
¿Ve esa curva descendente? Esa es la trayectoria donde su algoritmo evolutivo se acerca al objetivo, y el camino que toma para explorar el mundo desconocido.
Paso 5: Intente extenderlo
Si “solo ejecutar un Ackley” no es suficiente, puede:
· Cambiar PSO por GA, DE, CMA-ES, NSGA-II, RVEA…
· Cambiar Ackley por Rastrigin, Griewank, CEC2022
· Cambiar a un problema multiobjetivo configurando n_objs >= 2
· Implementar su propia lógica con MyProblem y MyAlgorithm
· Integrarse con modelos de PyTorch o entornos de reinforcement-learning (Gym, Brax, MuJoCo Playground)
Ya sea ajuste de hiperparámetros, búsqueda de arquitectura, neuroevolución u optimización de estrategias de control, EvoX lo maneja todo con facilidad.
¿Por qué elegir EvoX?
Agradecimientos
Este tutorial fue escrito por Boqing Xu, Xinmeng Yu, Bowen Zheng y Xinyao Li. Beichen Huang fue responsable de la recopilación, edición y publicación en línea del tutorial.
Agradecemos sinceramente a cada miembro de la comunidad de EvoX. Son nuestros esfuerzos conjuntos los que han permitido que EvoX siga evolucionando.
Código de fuente abierta / Recursos de la comunidad
Paper:
https://arxiv.org/abs/2503.20286
GitHub:
https://github.com/EMI-Group/evomo
Proyecto original (EvoX):
https://github.com/EMI-Group/evox
Grupo de QQ: 297969717
Grupo de QQ | Evolving Machine Intelligence
EvoMO está construido sobre el framework EvoX. Si está interesado en aprender más sobre EvoX, no dude en consultar el artículo oficial sobre EvoX 1.0 publicado en nuestra cuenta pública de WeChat para más detalles.
