Por un lado, la computación evolutiva es extremadamente poderosa en la investigación y la ingeniería del mundo real, pero difícil de utilizar. Por otro lado, las capacidades de las GPUs son cada vez más potentes, pero es difícil que ejerzan su poder en tareas de computación evolutiva.
Necesitamos una solución verdaderamente moderna: soporte nativo de GPU, arquitectura modular, interfaces claras, usabilidad lista para usar 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 publicado el “Tutorial para principiantes de EvoX”. El tutorial consta de 8 capítulos, cubriendo todo desde los conceptos básicos hasta la aplicación práctica avanzada, guiándolos 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:
Únase al Grupo QQ para obtenerlo: 297969717
A continuación, los llevaremos a través de todo el proceso desde la instalación hasta la ejecución en solo 10 minutos.
Paso 1: Configuración del entorno
Abra su terminal y cree un entorno Python limpio:
También pueden usar su herramienta preferida para crear un entorno 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 se necesita una línea:
¿Ven 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 extender
Si “solo ejecutar un Ackley” no es suficiente, pueden:
· 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 · Conectar con modelos de PyTorch o entornos de aprendizaje por refuerzo (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 abierto / Recursos comunitarios
Paper:
https://arxiv.org/abs/2503.20286
GitHub:
https://github.com/EMI-Group/evomo
Proyecto principal (EvoX):
https://github.com/EMI-Group/evox
Grupo QQ: 297969717
Grupo QQ | Evolving Machine Intelligence
EvoMO está construido sobre el framework EvoX. Si están interesados en conocer más sobre EvoX, no duden en consultar el artículo oficial sobre EvoX 1.0 publicado en nuestra cuenta pública de WeChat para más detalles.
