5. 개발 및 확장
EvoX는 즉시 사용 가능한 기능뿐만 아니라 개발자와 고급 사용자를 위한 풍부한 사용자 정의 개발 및 확장 통합 인터페이스를 제공합니다. 이 장에서는 사용자 정의 알고리즘과 문제를 구현하는 방법, EvoX의 API를 활용하여 더 깊은 제어를 하는 방법, 그리고 EvoX를 다른 도구와 통합하여 더 복잡한 애플리케이션을 구축하는 방법을 자세히 설명합니다.
5.1 사용자 정의 모듈 개발
때로는 해결하려는 문제나 사용하려는 알고리즘이 EvoX의 표준 라이브러리에 포함되어 있지 않을 수 있습니다. 이러한 경우 EvoX가 제공하는 인터페이스를 사용하여 사용자 정의 모듈을 개발할 수 있습니다.
5.1.1 사용자 정의 문제 (MyProblem)
목적 함수가 evox.problems에 없는 경우 evox.core.Problem 기본 클래스에서 상속하여(또는 필요한 인터페이스를 준수하여) 직접 정의할 수 있습니다. 일반적인 문제 클래스는 솔루션 배치(pop)를 받아 해당 적합도/목적 값을 반환하는 evaluate 함수를 구현해야 합니다. 병렬 계산을 활용하기 위해 EvoX는 evaluate가 배치 입력을 지원해야 합니다.
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)예를 들어, 결정 벡터의 세제곱 합을 최소화하려면:
$$ \min f(x) = \sum_{i=1}^{n} x_i^3 $$
다음과 같이 MyProblem 클래스를 구현할 수 있습니다:
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 fitness여기서 pop은 (population_size, dim) 형태의 텐서입니다. evaluate 함수는 1D 적합도 값 텐서를 반환합니다. 다목적 문제의 경우 각 목적에 대한 별도의 키가 있는 딕셔너리를 반환할 수 있습니다.
사용자 정의 문제를 내장 문제처럼 사용할 수 있습니다:
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 사용자 정의 알고리즘 (MyAlgorithm)
사용자 정의 알고리즘을 만드는 것은 초기화, 새 솔루션 생성, 선택을 포함하므로 더 복잡합니다. 새 알고리즘을 만들려면 evox.core.Algorithm에서 상속하고 최소한 다음을 구현하세요:
__init__: 초기화용.step: 주요 진화 단계 로직.
다음은 EvoX에서 입자 군집 최적화(PSO) 알고리즘을 구현하는 예입니다:
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)알고리즘을 워크플로우에 통합하려면:
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 기타 모듈 사용자 정의
Monitor, Operator 또는 EvoX의 모든 모듈을 사용자 정의할 수도 있습니다. 예를 들어, 개체군 다양성을 기록하는 MyMonitor를 구현하거나 사용자 정의 교차/돌연변이 전략을 위한 MyOperator를 만들 수 있습니다. 어떤 메서드를 오버라이드해야 하는지 이해하려면 기존 기본 클래스와 예제를 참조하세요.
5.2 API 사용
EvoX는 API를 모듈로 구성하여 구성 요소를 쉽게 확장하고 결합할 수 있습니다.
5.2.1 알고리즘과 문제
- 알고리즘:
evox.algorithms.so(단일 목적)와evox.algorithms.mo(다목적)에 있습니다.
from evox.algorithms.so import PSO
from evox.algorithms.mo import RVEA- 문제:
evox.problems에 있으며 다음을 포함합니다:numerical— 고전적 테스트 함수(예: Ackley, Sphere).neuroevolution— Brax와 같은 RL 환경.hpo_wrapper— ML 훈련을 HPO 문제로 래핑.
예: PyTorch MLP를 Brax 환경으로 래핑:
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",
...
)예: HPO를 위한 최적화 프로세스 래핑:
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 워크플로우와 도구
- 워크플로우: 기본 최적화 루프를 위한
evox.workflows.StdWorkflow. - 모니터: 성능 추적을 위한
EvalMonitor.
예:
workflow = StdWorkflow(algorithm, problem, monitor)
compiled_step = torch.compile(workflow.step)
for i in range(10):
compiled_step()
print("Top fitness:", monitor.topk_fitness)- 지표:
evox.metrics는 IGD, Hypervolume 등을 제공합니다.
from evox.metrics import igd
igd_value = igd(current_population, true_pareto_front)- PyTorch 상호 운용성:
torch.nn,torch.Tensor등과의 원활한 통합.
5.3 다른 도구와의 통합
EvoX는 외부 도구와 쉽게 통합되도록 설계되었습니다.
5.3.1 머신러닝 통합
EvoX를 사용하여 하이퍼파라미터를 조정하세요:
- 훈련/검증을
Problem으로 래핑합니다. - CMA-ES와 같은 알고리즘을 사용합니다.
- 여러 실행에 걸쳐 하이퍼파라미터를 최적화합니다.
- 최적의 파라미터로 최종 모델을 훈련합니다.
5.3.2 강화학습 통합
EvoX를 사용하여 신경망 정책을 진화시키세요:
BraxProblem을 사용하여 RL 환경을 래핑합니다.ParamsAndVector를 사용하여 정책 네트워크를 평탄화합니다.- GA 또는 CMA-ES와 같은 진화 알고리즘을 사용하여 최적화합니다.
- 최적화된 정책을 직접 배포하거나 RL로 미세 조정합니다.
EvoX는 GPU/CPU 성능을 완전히 활용하기 위한 배치 환경 시뮬레이션을 지원합니다.
요약하면, EvoX는 사용자 정의 알고리즘 구현, 모든 최적화 문제 래핑, ML 및 RL 도구와의 통합을 위한 강력하고 모듈형 API와 개발자 친화적인 설계를 제공합니다. 이해가 깊어지면 이러한 인터페이스를 창의적으로 적용하여 맞춤형 최적화 솔루션을 구축할 수 있습니다.