4. Funciones avanzadas

EvoX ofrece muchas funciones avanzadas para satisfacer necesidades más complejas. Tras familiarizarse con los conceptos básicos, este capítulo presenta cómo personalizar la configuración del framework, gestionar módulos de plugins opcionales y optimizar el rendimiento, lo que le permitirá ampliar y ajustar EvoX cuando sea necesario.

Configuración personalizada

Los ajustes predeterminados de EvoX se adaptan a la mayoría de las situaciones, pero a veces es posible que desee personalizar el comportamiento o los parámetros del framework. Por ejemplo:

Ajuste de los parámetros del algoritmo: Más allá del tamaño básico de la población y el número de iteraciones, muchos algoritmos exponen parámetros avanzados. Por ejemplo, CMA-ES permite configurar la matriz de covarianza inicial, y NSGA-II expone parámetros de distancia de apiñamiento (crowding distance). Puede pasar parámetros al constructor del algoritmo; por ejemplo, GA(crossover_prob=0.9, mutation_prob=0.1) personaliza las probabilidades de cruce y mutación en un Genetic Algorithm. Ajustar estos parámetros puede perfeccionar el rendimiento. Consulte la documentación de EvoX para la API de cada algoritmo, donde se enumeran los parámetros disponibles y sus valores predeterminados.
Sustitución de componentes de operadores: Puede reemplazar los operadores evolutivos internos (por ejemplo, estrategias de selección o mutación). Algunas clases de algoritmos admiten el paso de objetos de operador personalizados. Por ejemplo, Differential Evolution (DE) puede admitir operadores de mutación personalizados, lo que le permite proporcionar una función personalizada o una clase Operator. El diseño modular de EvoX admite esta sustitución de tipo “plugin”. Esto suele requerir la comprensión de los aspectos internos del algoritmo y no suele ser necesario para los casos de uso estándar.
Ajustes multiobjetivo: Para la optimización multiobjetivo, es posible que necesite configurar preferencias o pesos; por ejemplo, establecer vectores de peso para métodos de suma ponderada o ajustar los puntos de referencia durante la evolución. Estas configuraciones se exponen normalmente a través de parámetros en la clase del problema o del algoritmo. Por ejemplo, problem = DTLZ2(d=12, m=3) define un problema de 12 dimensiones y 3 objetivos. Algunos algoritmos permiten pasar vectores de referencia personalizados. Leer la documentación del algoritmo le ayudará a aprovechar al máximo estos ajustes.
Registro y salida: El EvalMonitor predeterminado ya registra las métricas clave de optimización. Si necesita información adicional (por ejemplo, la diversidad de la población o el fitness medio por generación), puede personalizar el monitor o registrar los datos manualmente dentro de su bucle. Para tareas de larga duración, es posible que desee registrar los datos en un archivo. Esto se puede hacer utilizando la biblioteca logging de Python o mediante una simple E/S de archivos para añadir los resultados para un análisis posterior.

En resumen, la configuración personalizada significa modificar el comportamiento predeterminado de EvoX para una tarea específica. Esto suele implicar un uso más profundo de la API de EvoX. Cubriremos más detalles en la sección de desarrollo y extensión. Para principiantes, simplemente recuerde: EvoX ofrece interfaces flexibles que permiten a los usuarios experimentados ajustar casi cada detalle, pero también puede quedarse con los valores predeterminados y obtener resultados rápidamente.

Gestión de plugins

Los “plugins” aquí se refieren a componentes opcionales o módulos de extensión en EvoX, como herramientas de visualización, envoltorios (wrappers) de entornos de reinforcement learning y proyectos hermanos en el ecosistema EvoX. La gestión de plugins en EvoX implica principalmente la instalación y el uso de módulos opcionales. Estas son algunas extensiones clave y cómo gestionarlas:

Plugin de visualización: EvoX incluye el módulo evox.vis_tools, que contiene un submódulo plot para gráficos y admite el formato de registro .exv para flujos de datos en tiempo real. Para usar la visualización, instale EvoX con el extra vis: pip install evox[vis]. (Si no se instaló inicialmente, puede instalarlo más tarde o simplemente ejecutar pip install plotly para satisfacer las dependencias). Al usar herramientas visuales, normalmente se llama a las funciones de trazado después de que el monitor registre los datos; por ejemplo, EvalMonitor.plot() utiliza vis_tools.plot. Asegurarse de que este plugin esté instalado evita errores por falta de bibliotecas como matplotlib.
Plugin de neuroevolución: EvoX admite entornos de reinforcement learning (como el motor de física Brax) y la optimización de individuos neuronales (neuroevolution). Estas funciones se agrupan en la extensión neuroevolution, que se instala mediante pip install "evox[neuroevolution]". Esto incluye la biblioteca Google Brax, Gym y más. Tras la instalación, puede usar envoltorios como BraxProblem en evox.problems.neuroevolution para convertir los entornos de RL en problemas de optimización. También se incluyen herramientas como ParamsAndVector para aplanar los parámetros de los modelos de PyTorch en vectores para la evolución. Tenga en cuenta que Brax solo funciona en Linux o Windows a través de WSL; el Python nativo de Windows solo puede ejecutarse en CPU. En resumen, habilitar o deshabilitar los plugins de EvoX se controla mediante la instalación de extras específicos.
Proyectos hermanos: EvoX tiene proyectos relacionados como EvoRL (centrado en el reinforcement learning evolutivo) y EvoGP (programación genética acelerada por GPU). Estos comparten la filosofía de diseño e interfaz de EvoX. Si su tarea se centra mucho en RL, es posible que prefiera estos frameworks dedicados. Gestionar estos plugins significa asegurar la compatibilidad de versiones y satisfacer las dependencias. Por ejemplo, EvoRL utiliza JAX y Brax, mientras que EvoGP puede requerir bibliotecas de árboles simbólicos. Estas bibliotecas suelen coexistir sin conflictos. Piense en ellas como herramientas complementarias que pueden llamarse desde el proyecto principal EvoX, o dejarse fuera por completo para una configuración ligera.
Plugins personalizados: Gracias a la modularidad de EvoX, puede crear sus propios “plugins”. Por ejemplo, cree una clase Monitor personalizada para rastrear métricas únicas, o una subclase Problem personalizada que envuelva un simulador de terceros. Estos amplían eficazmente las capacidades de EvoX. La mejor práctica es seguir los contratos de interfaz de EvoX; por ejemplo, asegúrese de que su Problem personalizado tenga un método evaluate(), o que su Monitor personalizado herede de una clase base. Una vez probado, incluso podría contribuirlo a las futuras versiones de EvoX.

Overall, la gestión de plugins en EvoX se trata de una extensión flexible y control de dependencias. Como principiante, durante la instalación, puede decidir si incluir las extensiones vis y neuroevolution. Si no se instalaron inicialmente, se pueden añadir más tarde. Con los plugins, puede monitorizar el progreso de la optimización más fácilmente e integrar EvoX con herramientas externas para obtener una mayor potencia.

Optimización del rendimiento

El rendimiento es uno de los puntos fuertes de EvoX. Incluso utilizando el mismo algoritmo, el soporte de GPU de EvoX puede aumentar la velocidad en varios órdenes de magnitud. Sin embargo, para aprovechar esto al máximo, conviene seguir algunos consejos:

Uso del paralelismo de GPU: En primer lugar, asegúrese de que su código se esté ejecutando realmente en la GPU. Como se mencionó anteriormente, instale PyTorch con soporte para CUDA y mueva los datos a los dispositivos GPU. Si las cosas parecen ir lentas, compruébelo con torch.cuda.is_available(); debería devolver True. Si la GPU existe pero no se utiliza, es probable que los tensores se hayan creado en la CPU por defecto. Corrija esto configurando explícitamente el device, o asegurándose de que los tensores de entrada (como lb/ub) estén en CUDA. EvoX seguirá el dispositivo de estas entradas. En sistemas con varias GPU, EvoX generalmente utiliza una GPU por proceso. Para aprovechar varias GPU, puede ejecutar varios procesos con diferentes GPU o esperar al soporte futuro para la ejecución coordinada de varias GPU.
Evaluación paralela: Un cuello de botella clave en los algoritmos evolutivos es la evaluación del fitness. Dado que las evaluaciones suelen ser independientes, se pueden paralelizar. EvoX procesa las evaluaciones por lotes (batches) cuando es posible; por ejemplo, las evaluaciones de redes neuronales o las funciones polinómicas se pueden calcular en paralelo utilizando la GPU. Para problemas personalizados, evite los bucles de Python: vectorice su código de evaluación para procesar todo un lote de candidatos a la vez. Esto aprovecha al máximo las capacidades paralelas de PyTorch. En pocas palabras: haga que la función evaluate() de su problema opere sobre lotes, no sobre soluciones individuales, para obtener una aceleración masiva.
Compilación para la optimización: PyTorch 2.0 introdujo torch.compile, que compila JIT modelos/funciones para obtener mejoras de rendimiento. Si su lógica de evaluación es compleja, considere compilar antes de ejecutar:
```
jit_state_step = torch.compile(workflow.step())
```
Esto podría mejorar significativamente el rendimiento.

Nota:

La compilación añade una carga adicional (overhead) y no siempre es compatible con todas las funciones o problemas. Es más adecuada para tareas a gran escala y de larga duración. En Windows, asegúrese de que Triton esté instalado para que torch.compile funcione.

Ajuste del tamaño de la población: Una población más grande aumenta la diversidad y la capacidad de búsqueda global, pero también aumenta el cálculo por generación. Equilibre la calidad y la velocidad ajustando pop_size. En GPU, a menudo puede aumentarlo sin un coste de tiempo lineal (gracias al paralelismo). Pero un tamaño demasiado grande puede causar problemas de memoria. Si se queda sin memoria de GPU, reduzca el tamaño de la población o la dimensión del problema, o utilice FP16 para ahorrar espacio (se configura mediante torch.set_float32_matmul_precision('medium')).
Reducción de la sobrecarga de Python: EvoX mueve la mayor parte del cálculo principal a torch.Tensor, pero los bucles escritos por el usuario o los operadores personalizados deben evitar operaciones excesivas a nivel de Python. Evite impresiones frecuentes (alto coste de E/S), listas o conversiones de tipos de datos. Mantenga su código vectorizado/tensorizado para aprovechar los núcleos rápidos de C++/CUDA internos y reducir la sobrecarga del intérprete de Python.
Despliegue distribuido: Para problemas ultra grandes, considere la ejecución en varias máquinas. EvoX admite configuraciones de varios nodos (a través de la comunicación del backend y el sharding). Aunque no es sencillo para principiantes, es bueno saber que esto existe. Con un clúster de GPU, consulte la documentación de EvoX para el despliegue distribuido. Normalmente, necesitará establecer variables de entorno o lanzar con scripts especiales. La arquitectura permite que el mismo código se ejecute en configuraciones de un solo nodo o de varios nodos. Para su primer intento, simúlelo con varios procesos en una sola máquina.
Análisis de rendimiento (Profiling): Para profundizar más, utilice herramientas como el profiler de PyTorch o cProfile de Python para analizar los cuellos de botella. Esto le ayuda a identificar si el tiempo se dedica a la evaluación, la selección o a otra cosa, de modo que pueda optimizar en consecuencia (por ejemplo, almacenando en caché cálculos repetidos). EvoX está diseñado para el rendimiento, pero las tareas del mundo real pueden encontrar cuellos de botella únicos que requieren análisis.

En resumen, aunque EvoX ya está optimizado a nivel de arquitectura, los usuarios pueden aumentar aún más el rendimiento utilizando las GPU correctamente, mediante el cálculo por lotes y el ajuste de parámetros. Mientras busca la velocidad, recuerde también mantener la calidad de los resultados: el equilibrio es la clave. A medida que se familiarice con EvoX, el ajuste del rendimiento se convertirá en algo natural.