D’une part, le calcul évolutif (Evolutionary Computation) est extrêmement puissant pour la recherche et l’ingénierie dans le monde réel, mais difficile à invoquer. D’autre part, les capacités des GPU deviennent de plus en plus puissantes, mais il est difficile pour eux d’exercer leur puissance dans les tâches de calcul évolutif.
Nous avons besoin d’une solution véritablement moderne : support GPU natif, architecture modulaire, interfaces claires, utilisabilité immédiate et évolutivité personnalisable. C’est EvoX - un moteur de calcul évolutif pour l’avenir.
Pour aider les utilisateurs à démarrer rapidement, l’équipe EvoX a publié le « Tutoriel EvoX pour débutants ». Le tutoriel se compose de 8 chapitres, couvrant tout, des bases aux applications pratiques avancées, vous guidant étape par étape sur la façon d’exécuter des algorithmes évolutifs sur un GPU.
Ressources complètes du tutoriel
Tutoriel en ligne en chinois :
EvoX Beginners Tutorial - EvoX Document
Tutoriel PDF en chinois :
Veuillez rejoindre le groupe QQ pour l’obtenir : 297969717
Ensuite, nous vous guiderons à travers l’ensemble du processus, de l’installation à l’opération, en seulement 10 minutes.
Étape 1 : Configuration de l’environnement
Ouvrez votre terminal et créez un environnement Python propre :
Vous pouvez également utiliser votre outil préféré pour créer un environnement Python propre.
Étape 2 : Installer PyTorch et EvoX
Vérifiez si le GPU est disponible :
Étape 3 : Exécutez votre premier algorithme évolutif
Que fait ceci ? Il compose un algorithme (PSO), un problème (Ackley) et un moniteur (EvalMonitor) via une interface standard. EvoX s’occupe de tout le parallélisme, de l’accélération et du monitoring !
Étape 4 : Tracer la courbe de convergence
Une seule ligne suffit :
Voyez-vous cette courbe descendante ? C’est la trajectoire par laquelle votre algorithme évolutif s’approche de la cible, et le chemin qu’il emprunte pour explorer le monde inconnu.
Étape 5 : Essayez d’étendre
Si « juste exécuter un Ackley » ne vous satisfait pas, vous pouvez :
· Remplacer PSO par GA, DE, CMA-ES, NSGA-II, RVEA… · Remplacer Ackley par Rastrigin, Griewank, CEC2022 · Passer à un problème multi-objectifs en définissant n_objs >= 2 · Implémenter votre propre logique avec MyProblem et MyAlgorithm · Se connecter aux modèles PyTorch ou aux environnements d’apprentissage par renforcement (Gym, Brax, MuJoCo Playground)
Qu’il s’agisse de réglage d’hyperparamètres, de recherche d’architecture, de neuroévolution ou d’optimisation de stratégie de contrôle, EvoX gère tout cela avec facilité.
Pourquoi choisir EvoX ?
Remerciements
Ce tutoriel a été écrit par Boqing Xu, Xinmeng Yu, Bowen Zheng et Xinyao Li. Beichen Huang était responsable de la compilation, de l’édition et de la mise en ligne du tutoriel.
Nous remercions sincèrement chaque membre de la communauté EvoX. Ce sont nos efforts conjoints qui ont permis à EvoX de continuer à évoluer.
Code Open Source / Ressources communautaires
Papier :
https://arxiv.org/abs/2503.20286
GitHub :
https://github.com/EMI-Group/evomo
Projet en amont (EvoX) :
https://github.com/EMI-Group/evox
Groupe QQ : 297969717
Groupe QQ | Evolving Machine Intelligence
EvoMO est construit sur le framework EvoX. Si vous souhaitez en savoir plus sur EvoX, n’hésitez pas à consulter l’article officiel sur EvoX 1.0 publié sur notre compte public WeChat pour plus de détails.
