候補評価が探索コストの大半を占める場合、その作業を分担すれば大きな実験への余地が生まれます。2025年4月23日の EvoX 実験的ガイドは、同年3月に導入された経路を説明します。集団をプロセス間で分割し、アルゴリズムの更新前に適応度を集めます。
評価を分担し、集団のフィードバックを集める。
評価を分散し、フィードバックを再統合
StdWorkflow に分散実行の選択肢を追加しています。評価時に候補の次元で個体群をプロセスの rank ごとに分割し、各プロセスが割り当てられた候補を評価します。その後、適応度を集約・連結してアルゴリズムの更新経路へ返します。 StdWorkflow
これは協調したワークフロー内の分散評価であり、別々のマシンで独立した探索を行い最後に答えを比較する方式とは異なります。高コストのシミュレーションや目的関数が想定用途ですが、割り当てられた候補バッチを評価でき、環境が正しく設定される必要があります。
再現性も設定の一部
ガイドは Torch や NumPy の操作前に乱数シードを設定することを強調し、torch.distributed や torchrun による起動を説明します。実装は問題評価の前後で乱数生成器の状態を隔離します。別の候補を評価しつつ、互換性のある探索状態を保つために初期化の一致が重要です。 2025-04-23
一世代全体を測る
同じ目的関数、シード、集団予算で単一プロセスと分散実行を比較してください。通信を含む一世代全体の時間を測り、候補と適応度の順序を確認します。まずクイックスタートでワークフローを構築し、その後デバイスを追加できます。