EVO X

从 MATLAB 迁移到 PyTorch 和 EvoX

从 MATLAB 迁移到 PyTorch 和 EvoX

本文档旨在指导 MATLAB 用户过渡到 PyTorch 和 EvoX 进行进化计算。我们将重点介绍 MATLAB 和 PyTorch 在语法、数据结构和工作流方面的核心差异。然后，我们将使用 MATLAB 和 PyTorch 中的粒子群优化（PSO）示例来说明这些差异。

语法差异

数组创建和索引

MATLAB

  • 使用从 1 开始的索引。
  • 向量和矩阵使用方括号和分号声明（例如 [1 2 3; 4 5 6]）。rand() 随机初始化返回 $[0, 1)$ 区间内的值。
  • 切片使用 (start:end) 语法，采用从 1 开始的索引。

PyTorch

  • 使用从 0 开始的索引。
  • 数组（张量）通常使用构造函数创建，如 torch.rand()、torch.zeros()，或将 Python 列表通过 torch.tensor() 转换为张量。
  • 切片使用 [start:end]，采用从 0 开始的索引。

矩阵计算

MATLAB

  • 使用 * 执行线性代数矩阵乘法。
  • 使用 .* 对相同大小的矩阵进行逐元素乘法。
  • / 表示矩阵右除。
  • .^ 表示逐元素幂运算。
  • 长度为 1 的尾部和前导维度会被忽略。
  • 自动为逐元素操作找到可广播的维度，并执行隐式维度扩展。

PyTorch

  • 使用 @ 或 torch.matmul() 执行线性代数矩阵乘法。
  • 直接使用 * 对相同形状或可广播形状的张量进行逐元素乘法。
  • / 表示逐元素除法。
  • ** 表示逐元素幂运算。
  • 长度为 1 的维度会被保留，并被视为广播维度。
  • 阻止大多数隐式维度扩展，通常需要广播维度。

函数和定义

MATLAB

  • 使用 function 关键字定义函数。
  • 一个文件可以包含多个函数，但通常主函数与文件名相同。
  • 匿名函数（例如 @(x) sum(x.^2)）用于简短的内联计算。

PyTorch

  • 使用 def 关键字定义函数，通常在单个 .py 文件或模块中。
  • 类用于以面向对象的方式封装数据和方法。
  • Lambda 作为简短的匿名函数（lambda x: x.sum()），但不允许多行 lambda。

控制流

MATLAB

  • 使用 for i = 1:N … end 循环，采用从 1 开始的索引。
  • 条件语句如 if、elseif 和 else。

PyTorch

  • 使用 for i in range(N):，采用从 0 开始的索引。
  • 缩进对循环和条件语句的作用域很重要（没有 end 关键字）。

打印和注释

MATLAB

  • 使用 fprintf() 函数进行格式化输出。
  • 使用 % 进行单行注释。

PyTorch

  • 使用 print 配合 f-string 进行格式化输出。
  • 使用 # 进行单行注释。

多行编码

MATLAB

  • 在行尾使用 ... 表示下一行应被视为同一行。

Python

  • 在行尾使用 \ 表示下一行应被视为同一行。
  • 如果多行在括号内，则不需要特定的尾部符号。

如何通过 EvoX 编写进化计算算法？

MATLAB

MATLAB 中 PSO 算法的代码示例如下：

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

在 MATLAB 中，函数 init_pso() 初始化算法，单独的函数 step_pso() 执行一次迭代步骤，主函数 example_pso() 编排循环。

EvoX

在 EvoX 中，你可以按以下方式构建 PSO 算法：

首先，建议从 EvoX 和 PyTorch 导入必要的模块和函数。

import torch

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

然后，你可以根据”语法差异”部分将 MATLAB 代码相应地转换为 Python 代码。

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()

注意： 值得注意的是，在 MATLAB 中我们使用 [] 配合 ; 和 , 沿特定维度拼接矩阵和向量；然而在 EvoX 中，必须调用 torch.cat 并使用 dim 参数来指定拼接维度。 此外，在 PyTorch 中，要拼接的张量必须具有相同的维度数；因此，需要额外使用 XXX.unsqueeze(0) 在第一个维度之前添加一个长度为 1 的新维度。

在 EvoX 中，PSO 逻辑封装在一个继承自 Algorithm 的类中。这种面向对象的设计简化了状态管理和迭代，并引入了以下优势：

  • 继承的 evaluate() 方法 你可以简单地调用 self.evaluate(self.population) 来计算适应度值，而不是每次迭代手动传递目标函数。
  • 内置工作流集成 当你将 PSO 类注册到工作流 StdWorkflow 时，它会代你处理对 step() 的迭代调用。

通过继承 Algorithm，__init__() 在标准 Python 类构造函数中设置所有主要的 PSO 组件（种群、速度、局部/全局最优等）。

← 返回文档