4. 進階功能

EvoX 提供了許多進階功能以滿足更複雜的需求。在熟悉基礎知識後，本章將介紹如何自定義框架配置、管理可選的插件模組以及優化效能——讓您能夠在必要時擴展和調整 EvoX。

自定義配置

EvoX 的預設設定適用於大多數情況，但有時您可能希望自定義框架的行為或參數。例如：

調整演算法參數：除了基礎的種群大小和迭代次數外，許多演算法都暴露了進階參數。例如，CMA-ES 允許配置初始協方差矩陣，NSGA-II 暴露了擁擠距離參數。您可以將參數傳遞給演算法的建構函式，例如 GA(crossover_prob=0.9, mutation_prob=0.1) 可自定義遺傳演算法中的交叉和變異機率。調整這些參數可以微調效能。請參閱 EvoX 文件中每個演算法的 API，其中列出了可用參數和預設值。
替換算子組件：您可以替換內部的演化算子（例如選擇或變異策略）。某些演算法類別支援傳遞自定義算子物件。例如，差分進化 (DE) 可能支援自定義變異算子，允許您提供自定義函數或 Operator 類別。EvoX 的模組化設計支援這種「插件式」替換。這通常需要了解演算法內部結構，對於標準用例通常不是必需的。
多目標設定：對於多目標最佳化，您可能需要配置偏好或權重——例如，為加權和方法設定權重向量，或在演化過程中調整參考點。這些配置通常透過問題或演算法類別中的參數暴露。例如，problem = DTLZ2(d=12, m=3) 定義了一個 12 維、3 目標的問題。某些演算法允許傳遞自定義參考向量。閱讀演算法文件有助於您充分利用這些設定。
日誌記錄與輸出：預設的 EvalMonitor 已經記錄了關鍵的最佳化指標。如果您需要額外資訊（例如種群多樣性或每代平均適應度），您可以自定義監控器或在迴圈中手動記錄。對於長時間運行的任務，您可能希望記錄到檔案中。這可以使用 Python 的 logging 函式庫或簡單的檔案 I/O 來附加結果以供後續分析。

總之，自定義配置意味著針對特定任務修改 EvoX 的預設行為。這通常涉及更深入地使用 EvoX 的 API。我們將在開發與擴展部分涵蓋更多內容。對於初學者，只需記住：EvoX 提供了靈活的介面，讓經驗豐富的使用者可以調整幾乎每個細節——但您也可以堅持使用預設值並快速獲得結果。

插件管理

這裡的「插件」指的是 EvoX 中的可選組件或擴展模組——例如視覺化工具、強化學習環境包裝器以及 EvoX 生態系統中的兄弟專案。在 EvoX 中管理插件主要涉及安裝和使用可選模組。以下是一些關鍵擴展及其管理方法：

視覺化插件：EvoX 包含 evox.vis_tools 模組，其中含有用於繪圖的 plot 子模組，並支援用於即時資料流的 .exv 日誌格式。要使用視覺化功能，請安裝帶有 vis 選項的 EvoX：pip install evox[vis]。（如果最初未安裝，您可以稍後安裝，或者直接執行 pip install plotly 以滿足依賴關係。）使用視覺化工具時，您通常在監控器記錄數據後呼叫繪圖函數——例如，EvalMonitor.plot() 使用 vis_tools.plot。確保安裝此插件可避免因缺少 matplotlib 等函式庫而產生的錯誤。
神經演化插件：EvoX 支援強化學習環境（如 Brax 物理引擎）和神經個體最佳化（神經演化）。這些功能捆綁在 neuroevolution 擴展中，透過 pip install "evox[neuroevolution]" 安裝。這包括 Google Brax 函式庫、Gym 等。安裝後，您可以使用 evox.problems.neuroevolution 中的 BraxProblem 等包裝器將 RL 環境轉化為最佳化問題。像 ParamsAndVector 這樣的工具也包含在內，用於將 PyTorch 模型參數展平為向量以進行演化。請注意，Brax 僅在 Linux 或透過 WSL 的 Windows 上運作——原生 Windows Python 可能只能在 CPU 上運行。簡而言之，啟用或禁用 EvoX 插件是透過安裝特定的額外選項來控制的。
兄弟專案：EvoX 有相關的專案，如 EvoRL（專注於演化強化學習）和 EvoGP（GPU 加速遺傳規劃）。這些專案共享 EvoX 的設計理念和介面。如果您的任務偏重於 RL，您可能會更喜歡這些專用框架。管理這些插件意味著確保版本相容性並滿足依賴關係。例如，EvoRL 使用 JAX 和 Brax，而 EvoGP 可能需要符號樹函式庫。這些函式庫通常可以共存而不會發生衝突。將它們視為可以從主 EvoX 專案呼叫的互補工具——或者為了精簡設定而完全不使用。
自定義插件：得益於 EvoX 的模組化，您可以構建自己的「插件」。例如，建立一個自定義 Monitor 類別來追蹤獨特的指標，或建立一個包裝第三方模擬器的自定義 Problem 子類別。這些有效地擴展了 EvoX 的能力。最佳實踐是遵循 EvoX 的介面契約——例如，確保您的自定義 Problem 有一個 evaluate() 方法，或者您的自定義 Monitor 繼承自基底類別。測試完成後，您甚至可以將其貢獻給 EvoX 的未來版本。

總體而言，EvoX 中的插件管理是關於靈活擴展和依賴控制。作為初學者，在安裝過程中，您可以決定是否包含 vis 和 neuroevolution 擴展。如果最初未安裝，稍後也可以添加。有了插件，您可以更輕鬆地監控最佳化進度，並將 EvoX 與外部工具整合以獲得更強大的功能。

效能優化

效能是 EvoX 的一大優勢。即使使用相同的演算法，EvoX 的 GPU 支援也能將速度提升數個數量級。然而，為了充分利用這一點，您需要遵循一些技巧：

使用 GPU 平行運算：首先，確保您的程式碼實際上是在 GPU 上運行的。如前所述，安裝支援 CUDA 的 PyTorch 並將資料移動到 GPU 裝置。如果速度看起來很慢，請使用 torch.cuda.is_available() 檢查——它應該回傳 True。如果 GPU 存在但未被使用，很可能是因為張量預設是在 CPU 上建立的。透過明確設定 device，或確保輸入張量（如 lb/ub）位於 CUDA 上來解決此問題。EvoX 將跟隨這些輸入的裝置。在多 GPU 系統上，EvoX 通常每個行程使用一個 GPU。要利用多個 GPU，您可以運行多個使用不同 GPU 的行程，或等待未來對協同多 GPU 執行的支援。
平行評估：演化演算法的一個關鍵瓶頸是適應度評估。由於評估通常是獨立的，因此可以平行化。EvoX 會在可能的情況下批次處理評估——例如，神經網路評估或多項式函數可以使用 GPU 平行計算。對於自定義問題，避免使用 Python 迴圈——向量化您的評估程式碼以一次處理整批候選解。這充分利用了 PyTorch 的平行能力。簡單來說：讓您的問題的 evaluate() 函數對批次資料（而非單個解）進行操作，以獲得巨大的速度提升。
編譯優化：PyTorch 2.0 引入了 torch.compile，它對模型/函數進行 JIT 編譯以獲得效能提升。如果您的評估邏輯很複雜，請考慮在運行前進行編譯：
```
jit_state_step = torch.compile(workflow.step())
```
這可以顯著提高效能。

注意：

編譯會增加開銷，且並非所有函數或問題都支援。最適合大規模、長時間運行的任務。在 Windows 上，請確保安裝了 Triton 以使 torch.compile 正常運作。

調整種群大小：較大的種群會增加多樣性和全域搜尋能力——但也增加了每一代的計算量。透過調整 pop_size 來平衡品質和速度。在 GPU 上，您通常可以增加它而不會產生線性的時間成本（得益於平行運算）。但過大的尺寸可能會導致記憶體問題。如果您的 GPU 記憶體不足，請減少種群大小或問題維度，或使用 FP16 來節省空間（透過 torch.set_float32_matmul_precision('medium') 設定）。
減少 Python 開銷：EvoX 將大多數核心計算移至 torch.Tensor，但使用者編寫的迴圈或自定義算子應避免過多的 Python 層級操作。避免頻繁的列印（高 I/O 成本）、列表或資料類型轉換。保持您的程式碼向量化/張量化，以利用底層快速的 C++/CUDA 核心，並減少 Python 直譯器的開銷。
分散式部署：對於超大型問題，請考慮在多台機器上運行。EvoX 支援多節點設定（透過後端通訊和分片）。雖然對初學者來說不那麼友善，但知道這一點很好。如果有 GPU 叢集，請參閱 EvoX 的分散式部署文件。通常，您需要設定環境變數或使用特殊腳本啟動。該架構允許相同的程式碼在單節點或多節點設定上運行。對於您的第一次嘗試，可以在一台機器上使用多個行程進行模擬。
效能分析：要深入研究，請使用 PyTorch 的分析器 (profiler) 或 Python 的 cProfile 等工具來分析瓶頸。這有助於您識別時間是花在評估、選擇還是其他方面——以便您可以相應地進行優化（例如，透過快取重複的計算）。EvoX 專為效能而建，但實際任務仍可能遇到需要分析的獨特瓶頸。

簡而言之，雖然 EvoX 已經在架構層面進行了優化，但使用者可以透過正確使用 GPU、批次計算和調整參數來進一步提升效能。在追求速度的同時，也要記得保持結果品質——平衡是關鍵。隨著您對 EvoX 越來越熟悉，效能調整將變得第二天性。