PSO で二次元 Ackley 関数を最小化し、実行デバイスを確認して履歴を描画します。対象は EvoX 1.4.1 と PyTorchで、実験的な 2.x コンパイラ API ではありません。小規模な例は手順の理解用であり、GPU 性能のベンチマークではありません。
独立した環境を準備する
Python 3.10 以降で仮想環境を作り、シェルに対応したコマンドで有効化します。
python -m venv .venvmacOS/Linux：
source .venv/bin/activateWindows PowerShell：
.\.venv\Scripts\Activate.ps1適切なパッケージをインストールする
OS とハードウェアに合うコマンドを PyTorch 公式サイトで選びます。CUDA パッケージには対応ドライバが必要で、EvoX のインストールだけでは GPU 利用は保証されません。続いて対象バージョンを入れます。
python -m pip install "evox[vis]==1.4.1"実験を実行する
以下を Python スクリプトとして保存します。CUDA があれば GPU、それ以外は CPU を選び、実際のデバイスを表示します。状態と監視は同じデバイスに置きます。乱数シードの固定は再実行に役立ちますが、デバイスやバージョンが異なると結果も変わり得ます。
import torch
from evox.algorithms import PSO
from evox.problems.numerical import Ackley
from evox.workflows import StdWorkflow, EvalMonitor
torch.manual_seed(42)
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
torch.set_default_device(device)
algorithm = PSO(
pop_size=50,
lb=-32 * torch.ones(2, device=device),
ub=32 * torch.ones(2, device=device),
device=device,
)
problem = Ackley()
monitor = EvalMonitor(device=device, history_device=device)
workflow = StdWorkflow(algorithm, problem, monitor)
workflow.init_step()
for _ in range(100):
workflow.step()
print("Device:", device)
print("Best fitness:", monitor.get_best_fitness().item())結果を理解して可視化する
PSO が候補ベクトルを保持し、Ackley が評価、StdWorkflow が接続、EvalMonitor が記録を担当します。適応度は小さいほどよく、理論上の最適値は原点でゼロです。結果は確率的なので固定スコアは保証しません。
探索後、同じプロセスで次を実行します。可視化用依存関係はインストール済みです。画像は元の教材の参考例で、このシードの出力を保証するものではありません。
monitor.plot()
意図を持って実験を拡張する
次元、集団サイズ、シードを一つずつ変更してください。独自問題は各候補に目的値を返します。多目的最適化には対応アルゴリズム、出力形状、監視設定も必要で、一つのパラメータ変更だけでは不十分です。
計時ではコンパイルとウォームアップを定常実行から分け、CUDA を同期し、同じ評価予算で比較します。小さな課題は CPU の方が速い場合があります。まず基準例を動かし、その後にコンパイルを検討してください。
教材と謝辞
元の教材は Boqing Xu、Xinmeng Yu、Bowen Zheng、Xinyao Li が執筆し、Beichen Huang が編集・公開しました。概要図を以下に残しています。
この例にはバージョン固定のソース、続きの学習にはドキュメントを参照してください。新しい資料の API を使う前に対象バージョンを確認してください。
拡張前に、パッケージのバージョン、使用デバイス、シード、最良適応度を一緒に保存します。設定を一つ変え、同じ予算で再実行します。競合する目的に進む際は、EvoMO の解説が選択と評価の設計を紹介します。