EVO X

Transformação do MATLAB para PyTorch e EvoX

Transformação do MATLAB para PyTorch e EvoX

Este documento tem como objetivo guiar usuários do MATLAB na transição para PyTorch e EvoX para computação evolutiva. Destacaremos as principais diferenças entre MATLAB e PyTorch em termos de sintaxe, estruturas de dados e fluxo de trabalho. Em seguida, ilustraremos essas diferenças usando um exemplo de Otimização por Enxame de Partículas (PSO) tanto em MATLAB quanto em PyTorch.

Diferenças de Sintaxe

Criação e Indexação de Arrays

MATLAB

  • Usa indexação baseada em 1.
  • Vetores e matrizes são declarados usando colchetes e ponto e vírgula (por exemplo, [1 2 3; 4 5 6]). A inicialização aleatória com rand() retorna valores no intervalo $[0, 1)$.
  • O fatiamento é realizado usando a sintaxe (start:end) e utiliza indexação baseada em 1.

PyTorch

  • Usa indexação baseada em 0.
  • Arrays (tensores) são tipicamente criados usando construtores como torch.rand(), torch.zeros(), ou listas Python convertidas em tensores com torch.tensor().
  • O fatiamento é feito usando [start:end] com índices baseados em 0.

Computação Matricial

MATLAB

  • Realiza multiplicação matricial de álgebra linear por *.
  • Usa .* para multiplicar elementos correspondentes de matrizes do mesmo tamanho.
  • / representa a divisão matricial à direita.
  • .^ representa a potência elemento a elemento.
  • Dimensão(ões) inicial(is) e final(is) de tensores com comprimento 1 é/são ignorada(s).
  • Encontra automaticamente dimensões expansíveis para operações elemento a elemento e realiza extensão de dimensão implícita.

PyTorch

  • Realiza multiplicação matricial de álgebra linear por @ ou torch.matmul().
  • Usa diretamente * para multiplicar elementos correspondentes de tensores com a mesma forma ou formas expansíveis.
  • / representa a divisão elemento a elemento.
  • ** representa a potência elemento a elemento.
  • Dimensão(ões) de tensores com comprimento 1 é/são preservada(s) e tratada(s) como dimensão de broadcast.
  • Previne a maioria das extensões implícitas de dimensão, dimensão(ões) de broadcast geralmente são necessárias.

Funções e Definições

MATLAB

  • Uma função é definida pela palavra-chave function.
  • Um arquivo pode conter múltiplas funções, mas tipicamente a função principal compartilha o nome do arquivo.
  • Funções anônimas (por exemplo, @(x) sum(x.^2)) são usadas para cálculos curtos inline.

PyTorch

  • Funções são definidas usando a palavra-chave def, tipicamente dentro de um único arquivo .py ou módulo.
  • Classes são usadas para encapsular dados e métodos de forma orientada a objetos.
  • Lambdas servem como funções anônimas curtas (lambda x: x.sum()), mas lambdas de múltiplas linhas não são permitidas.

Fluxo de Controle

MATLAB

  • Usa for i = 1:N … end loops com indexação baseada em 1.
  • Instruções condicionais como if, elseif e else.

PyTorch

  • Usa for i in range(N): com indexação baseada em 0.
  • A indentação é significativa para escopo em loops e condicionais (sem palavra-chave end).

Impressão e Comentários

MATLAB

  • Usa funções fprintf() para saída formatada.
  • Usa % para comentários de linha única.

PyTorch

  • Usa print com f-strings para saída formatada.
  • Usa # para comentários de linha única.

Codificação em Múltiplas Linhas

MATLAB

  • Usa ... no final de uma linha para indicar que a próxima linha deve ser tratada como a mesma linha.

Python

  • Usa \ no final de uma linha para indicar que a próxima linha deve ser tratada como a mesma linha.
  • Se múltiplas linhas estiverem dentro de parênteses, nenhum símbolo específico no final é necessário.

Como Escrever Algoritmos de Computação Evolutiva via EvoX?

MATLAB

Um exemplo de código MATLAB para o algoritmo PSO é o seguinte:

function [] = example_pso()
    pso = init_pso(100, [-10, -10], [10, 10], 0.6, 2.5, 0.8);
    test_fn = @(x) (sum(x .* x, 2));
    for i = 1:20
        pso = step_pso(pso, test_fn);
        fprintf("Iteration = %d, global best = %f\n", i, pso.global_best_fitness);
    end
end


function [self] = init_pso(pop_size, lb, ub, w, phi_p, phi_g)
    self = struct();
    self.pop_size = pop_size;
    self.dim = length(lb);
    self.w = w;
    self.phi_p = phi_p;
    self.phi_g = phi_g;
    % setup
    range = ub - lb;
    population = rand(self.pop_size, self.dim);
    population = range .* population + lb;
    velocity = rand(self.pop_size, self.dim);
    velocity = 2 .* range .* velocity - range;
    self.lb = lb;
    self.ub = ub;
    % mutable
    self.population = population;
    self.velocity = velocity;
    self.local_best_location = population;
    self.local_best_fitness = Inf(self.pop_size, 1);
    self.global_best_location = population(1, :);
    self.global_best_fitness = Inf;
end


function [self] = step_pso(self, evaluate)
    % Evaluate
    fitness = evaluate(self.population);
    % Update the local best
    compare = find(self.local_best_fitness > fitness);
    self.local_best_location(compare, :) = self.population(compare, :);
    self.local_best_fitness(compare) = fitness(compare);
    % Update the global best
    values = [self.global_best_location; self.population];
    keys = [self.global_best_fitness; fitness];
    [min_val, min_index] = min(keys);
    self.global_best_location = values(min_index, :);
    self.global_best_fitness = min_val;
    % Update velocity and position
    rg = rand(self.pop_size, self.dim);
    rp = rand(self.pop_size, self.dim);
    velocity = self.w .* self.velocity ...
        + self.phi_p .* rp .* (self.local_best_location - self.population) ...
        + self.phi_g .* rg .* (self.global_best_location - self.population);
    population = self.population + velocity;
    self.population = min(max(population, self.lb), self.ub);
    self.velocity = min(max(velocity, self.lb), self.ub);
end

No MATLAB, a função init_pso() inicializa o algoritmo, e uma função separada step_pso() executa um passo de iteração e a função principal example_pso() orquestra o loop.

EvoX

No EvoX, você pode construir o algoritmo PSO da seguinte forma:

Primeiro, é recomendado importar os módulos e funções necessários do EvoX e PyTorch.

import torch

from evox.core import *
from evox.utils import *
from evox.workflows import *
from evox.problems.numerical import Sphere

Então, você pode transformar o código MATLAB para o código Python correspondentemente de acordo com a seção “Diferenças de Sintaxe”.

def main():
    pso = PSO(pop_size=10, lb=torch.tensor([-10.0, -10.0]), ub=torch.tensor([10.0, 10.0]))
    wf = StdWorkflow()
    wf.setup(algorithm=pso, problem=Sphere())
    for i in range(1, 21):
        wf.step()
        print(f"Iteration = {i}, global best = {wf.algorithm.global_best_fitness}")

@jit_class
class PSO(Algorithm):
    def __init__(self, pop_size, lb, ub, w=0.6, phi_p=2.5, phi_g=0.8):
        super().__init__()
        self.pop_size = pop_size
        self.dim = lb.shape[0]
        self.w = w
        self.phi_p = phi_p
        self.phi_g = phi_g
        # setup
        lb = lb.unsqueeze(0)
        ub = ub.unsqueeze(0)
        range = ub - lb
        population = torch.rand(self.pop_size, self.dim)
        population = range * population + lb
        velocity = torch.rand(self.pop_size, self.dim)
        velocity = 2 * range * velocity - range
        self.lb = lb
        self.ub = ub
        # mutable
        self.population = population
        self.velocity = velocity
        self.local_best_location = population
        self.local_best_fitness = torch.full((self.pop_size,), fill_value=torch.inf)
        self.global_best_location = population[0, :]
        self.global_best_fitness = torch.tensor(torch.inf)

    def step(self):
        # Evaluate
        fitness = self.evaluate(self.population)
        # Update the local best
        compare = self.local_best_fitness > fitness
        self.local_best_location = torch.where(compare.unsqueeze(1), self.population, self.local_best_location)
        self.local_best_fitness = torch.where(compare, fitness, self.local_best_fitness)
        # Update the global best
        values = torch.cat([self.global_best_location.unsqueeze(0), self.population], dim=0)
        keys = torch.cat([self.global_best_fitness.unsqueeze(0), fitness], dim=0)
        min_index = torch.argmin(keys)
        self.global_best_location = values[min_index]
        self.global_best_fitness = keys[min_index]
        # Update velocity and position
        rg = torch.rand(self.pop_size, self.dim)
        rp = torch.rand(self.pop_size, self.dim)
        velocity = (
            self.w * self.velocity
            + self.phi_p * rp * (self.local_best_location - self.population)
            + self.phi_g * rg * (self.global_best_location - self.population)
        )
        population = self.population + velocity
        self.population = clamp(population, self.lb, self.ub)
        self.velocity = clamp(velocity, self.lb, self.ub)


# Run the main function
if __name__ == "__main__":
    main()

Nota: Vale notar que usamos [] com ; e , no MATLAB para concatenar matrizes e vetores ao longo de uma dimensão específica; no entanto, no EvoX, o torch.cat deve ser invocado com o argumento dim para indicar a dimensão de concatenação. Além disso, no PyTorch, tensores a serem concatenados devem ter o mesmo número de dimensões; portanto, XXX.unsqueeze(0) adicional é aplicado para adicionar uma nova dimensão de comprimento 1 antes da primeira dimensão.

No EvoX, a lógica do PSO é encapsulada dentro de uma classe que herda de Algorithm. Este design orientado a objetos simplifica o gerenciamento de estado e a iteração, e introduz as seguintes vantagens:

  • Método evaluate() herdado Você pode simplesmente chamar self.evaluate(self.population) para calcular valores de fitness, em vez de passar manualmente sua função objetivo a cada iteração.
  • Integração com Workflow Integrada Quando você registra sua classe PSO com um workflow StdWorkflow, ele lida com chamadas iterativas ao step() em seu nome.

Ao estender Algorithm, __init__() configura todos os principais componentes do PSO (população, velocidade, melhor local/global, etc.) em um construtor de classe Python padrão.

← Voltar à documentação