5. 開発と拡張
EvoXはすぐに使える機能を提供するだけでなく、開発者や上級ユーザー向けにカスタム開発と拡張統合のための豊富なインターフェースを提供しています。この章では、カスタムアルゴリズムと問題の実装方法、EvoXのAPIを使用したより深い制御方法、およびEvoXを他のツールと統合してより複雑なアプリケーションを構築する方法について詳しく説明します。
5.1 カスタムモジュールの開発
解決しようとしている問題や使用したいアルゴリズムがEvoXの標準ライブラリに含まれていない場合があります。そのような場合、EvoXが提供するインターフェースを使用してカスタムモジュールを開発できます。
5.1.1 カスタム問題（MyProblem）
目的関数がevox.problemsにない場合、evox.core.Problem基底クラスを継承して（または必要なインターフェースに準拠して）独自の問題を定義できます。典型的な問題クラスはevaluate関数を実装する必要があり、これは解のバッチ（pop）を受け取り、対応する適応度/目的値を返します。並列計算を活用するために、EvoXではevaluateがバッチ入力をサポートする必要があります。
import torch
from abc import ABC
from typing import Any, Dict
from evox.core.module import ModuleBase
class Problem(ModuleBase, ABC):
def __init__(self):
super().__init__()
def evaluate(self, pop: torch.Tensor) -> torch.Tensor:
return torch.empty(0)例えば、決定変数ベクトルの立方和を最小化する場合：
$$ \min f(x) = \sum_{i=1}^{n} x_i^3 $$
MyProblemクラスを次のように実装できます：
import torch
from evox.core import Problem
class MyProblem(Problem):
def __init__(self):
super().__init__()
def evaluate(self, pop: torch.Tensor):
fitness = torch.sum(pop**3, dim=1)
return fitnessここで、popは形状(population_size, dim)のテンソルです。evaluate関数は1次元の適応度値テンソルを返します。多目的問題の場合は、各目的に対して別々のキーを持つ辞書を返すことができます。
カスタム問題を組み込みのものと同様に使用できます：
import torch
from MyProblems import MyProblem
popsize = 10
dim = 2
initial_pop = torch.rand(popsize, dim)
problem = MyProblem()
initial_fitness = problem.evaluate(initial_pop)5.1.2 カスタムアルゴリズム（MyAlgorithm）
カスタムアルゴリズムの作成はより複雑で、初期化、新しい解の生成、選択が含まれます。新しいアルゴリズムを作成するには、evox.core.Algorithmを継承し、少なくとも以下を実装します：
__init__: 初期化用。step: メインの進化ステップロジック。
以下は、EvoXでの粒子群最適化（PSO）アルゴリズムの実装例です：
import torch
from evox.core import Algorithm, Mutable, Parameter
from evox.utils import clamp
from evox.algorithms.so.pso_variants.utils import min_by
class PSO(Algorithm):
def __init__(
self,
pop_size: int,
lb: torch.Tensor,
ub: torch.Tensor,
w: float = 0.6,
phi_p: float = 2.5,
phi_g: float = 0.8,
device: torch.device | None = None,
):
super().__init__()
device = torch.get_default_device() if device is None else device
assert lb.shape == ub.shape and lb.ndim == 1
self.pop_size = pop_size
self.dim = lb.shape[0]
lb = lb[None, :].to(device)
ub = ub[None, :].to(device)
length = ub - lb
pop = length * torch.rand(self.pop_size, self.dim, device=device) + lb
velocity = 2 * length * torch.rand(self.pop_size, self.dim, device=device) - length
self.lb = lb
self.ub = ub
self.w = Parameter(w, device=device)
self.phi_p = Parameter(phi_p, device=device)
self.phi_g = Parameter(phi_g, device=device)
self.pop = Mutable(pop)
self.velocity = Mutable(velocity)
self.fit = Mutable(torch.full((self.pop_size,), torch.inf, device=device))
self.local_best_location = Mutable(pop.clone())
self.local_best_fit = Mutable(torch.full((self.pop_size,), torch.inf, device=device))
self.global_best_location = Mutable(pop[0])
self.global_best_fit = Mutable(torch.tensor(torch.inf, device=device))
def step(self):
compare = self.local_best_fit > self.fit
self.local_best_location = torch.where(compare[:, None], self.pop, self.local_best_location)
self.local_best_fit = torch.where(compare, self.fit, self.local_best_fit)
self.global_best_location, self.global_best_fit = min_by(
[self.global_best_location.unsqueeze(0), self.pop],
[self.global_best_fit.unsqueeze(0), self.fit],
)
rg = torch.rand(self.pop_size, self.dim, device=self.fit.device)
rp = torch.rand(self.pop_size, self.dim, device=self.fit.device)
velocity = (
self.w * self.velocity
+ self.phi_p * rp * (self.local_best_location - self.pop)
+ self.phi_g * rg * (self.global_best_location - self.pop)
)
pop = self.pop + velocity
self.pop = clamp(pop, self.lb, self.ub)
self.velocity = clamp(velocity, self.lb, self.ub)
self.fit = self.evaluate(self.pop)
def init_step(self):
self.fit = self.evaluate(self.pop)
self.local_best_fit = self.fit
self.global_best_fit = torch.min(self.fit)アルゴリズムをワークフローに統合するには：
import torch
from MyProblems import MyProblem
from evox.workflows import EvalMonitor, StdWorkflow
from evox.algorithms import PSO
problem = MyProblem()
algorithm = PSO(
pop_size=100,
lb=torch.tensor([-10.0]),
ub=torch.tensor([10.0])
)
monitor = EvalMonitor()
workflow = StdWorkflow(algorithm, problem, monitor)
for i in range(10):
workflow.step()5.1.3 その他のカスタムモジュール
Monitor、Operator、またはEvoXの任意のモジュールもカスタマイズできます。例えば、集団の多様性を記録するMyMonitorを実装したり、カスタム交叉/突然変異戦略のためのMyOperatorを作成したりできます。オーバーライドすべきメソッドを理解するために、既存の基底クラスと例を参照してください。
5.2 APIの使用
EvoXはAPIをモジュールに整理しており、コンポーネントの拡張と組み合わせが容易です。
5.2.1 アルゴリズムと問題
- アルゴリズム:
evox.algorithms.so（単目的）とevox.algorithms.mo（多目的）にあります。
from evox.algorithms.so import PSO
from evox.algorithms.mo import RVEA- 問題:
evox.problemsにあり、以下が含まれます：numerical— 古典的なテスト関数（例：Ackley、Sphere）。neuroevolution— BraxなどのRL環境。hpo_wrapper— MLトレーニングをHPO問題にラップ。
例：PyTorch MLPをBrax環境でラップ：
import torch.nn as nn
from evox.problems.neuroevolution.brax import BraxProblem
class SimpleMLP(nn.Module):
...
policy = SimpleMLP().to(device)
problem = BraxProblem(
policy=policy,
env_name="swimmer",
...
)例：HPO用の最適化プロセスのラップ：
from evox.problems.hpo_wrapper import HPOProblemWrapper
...
hpo_problem = HPOProblemWrapper(
iterations=30,
num_instances=128,
workflow=inner_workflow,
copy_init_state=True
)5.2.2 ワークフローとツール
- ワークフロー: 基本的な最適化ループ用の
evox.workflows.StdWorkflow。 - モニター: パフォーマンス追跡用の
EvalMonitor。
例：
workflow = StdWorkflow(algorithm, problem, monitor)
compiled_step = torch.compile(workflow.step)
for i in range(10):
compiled_step()
print("Top fitness:", monitor.topk_fitness)- メトリクス:
evox.metricsはIGD、Hypervolumeなどを提供します。
from evox.metrics import igd
igd_value = igd(current_population, true_pareto_front)- PyTorch相互運用性:
torch.nn、torch.Tensorなどとのシームレスな統合。
5.3 他のツールとの統合
EvoXは外部ツールとの統合が容易に設計されています。
5.3.1 機械学習との統合
EvoXを使用してハイパーパラメータを調整：
- トレーニング/検証を
Problemとしてラップ。 - CMA-ESなどのアルゴリズムを使用。
- 複数回の実行でハイパーパラメータを最適化。
- 最良のパラメータで最終モデルをトレーニング。
5.3.2 強化学習との統合
EvoXを使用してニューラルネットワークポリシーを進化：
BraxProblemを使用してRL環境をラップ。ParamsAndVectorを使用してポリシーネットワークをフラット化。- GAやCMA-ESなどの進化アルゴリズムを使用して最適化。
- 最適化されたポリシーを直接デプロイするか、RLで微調整。
EvoXはGPU/CPUパワーを最大限に活用するためのバッチ環境シミュレーションをサポートしています。
まとめとして、EvoXはカスタムアルゴリズムの実装、あらゆる最適化問題のラッピング、MLおよびRLツールとの統合のための強力でモジュラーなAPIと開発者フレンドリーな設計を提供します。理解を深めるにつれて、これらのインターフェースを創造的に適用して、カスタマイズされた最適化ソリューションを構築できます。