EVO X

3. 基本操作

3. 基本操作

在本章中，我們將引導您執行第一個 EvoX 最佳化任務，包括如何啟動 EvoX 和初始化最佳化過程、如何配置 EvoX 專案（選擇演算法和問題並組裝它們），以及常用的基本命令（或方法）來控制最佳化過程。透過一個簡單的範例，您將學會 EvoX 的基本用法。

啟動與初始化

驗證安裝後，您可以開始使用 EvoX 編寫最佳化腳本。您可以在任何 Python 環境中匯入 EvoX（如終端機、Jupyter Notebook、IDE 等）。

首先，讓我們匯入 EvoX 及其相關模組，並初始化一個簡單的最佳化任務。例如，我們將使用粒子群最佳化（PSO）演算法來最佳化經典的 Ackley 函數。Ackley 函數是一個常見的基準函數，其已知的全域最優解在 ((0,0,\dots,0))，非常適合用於演示。 以下是一個最小的 EvoX 範例程式碼，展示如何啟動和執行最佳化：

import torch
from evox.algorithms import PSO                      # Import PSO algorithm
from evox.problems.numerical import Ackley           # Import Ackley optimization problem
from evox.workflows import StdWorkflow, EvalMonitor  # Import standard workflow and monitor

# 1. Define the optimization algorithm and problem
algorithm = PSO(
    pop_size=50,                    # Population size of 50
    lb=-32 * torch.ones(2),         # Decision variable lower bound: 2D vector, each -32
    ub= 32 * torch.ones(2)          # Decision variable upper bound: 2D vector, each 32
)
problem = Ackley()                  # Optimization problem: Ackley function (default dimension matches the algorithm)

# 2. Assemble the workflow and add a monitor to track results
monitor = EvalMonitor()
workflow = StdWorkflow(algorithm, problem, monitor)

# 3. Initialize the workflow
workflow.init_step()  # Initialize the internal state of the algorithm and problem

# 4. Execute optimization iterations
for i in range(100):
    workflow.step()   # Advance the optimization by one step

# 5. Obtain results (e.g., print the optimal value)
best_fitness = monitor.get_best_fitness() # Get the best fitness value from the monitor
print("Iteration completed, current best fitness value found:", float(best_fitness))

上述程式碼包含以下步驟：

  • 首先，我們設定 PSO 演算法的參數：種群大小為 50，搜尋空間為 2 維，範圍從 [-32, 32]。
  • 然後，我們定義 Ackley 問題（Ackley 函數預設定義為 2 維）。
  • 我們建立一個標準工作流程 StdWorkflow，將演算法和問題組裝在一起，並傳入一個監控器 EvalMonitor 來記錄最佳化過程的資料。
  • 接著，我們使用 workflow.init_step() 完成初始化過程，它會自動初始化種群、隨機種子和其他內部狀態。
  • 然後，我們執行一個迴圈，使用 workflow.step() 連續執行 100 次迭代。每次呼叫 step() 時，演算法會產生新的解並評估其適應度，不斷逼近最優解。
  • 最後，我們使用監控器提供的 get_min_fitness() 方法獲取迭代過程中的最佳適應度值並列印出來。

當您執行此腳本時，您會看到最佳化迭代的輸出，例如：

Iteration completed, current best fitness value found: 9.5367431640625e-07

由於我們沒有在迴圈中明確列印中間結果，因此中間結果不會顯示。但是，您可以根據最終的適應度值判斷演算法是否已收斂。例如，Ackley 函數的最優值為 0，如果輸出接近 0，則表示 PSO 已找到接近全域最優的解。您也可以呼叫 print(monitor.history) 來查看監控器記錄的歷史資料，或使用 monitor.plot() 繪製收斂曲線（需要 Plotly 等視覺化支援）。

注意： StdWorkflow 是 EvoX 提供的標準最佳化流程封裝。它在內部實作了傳統演化演算法中的「初始化-迭代更新」邏輯，並封裝了演算法和問題之間的互動。對於大多數簡單應用，直接使用 StdWorkflow 就足夠了。EvalMonitor 是一個監控器，實作了 get_best_fitness() 和 plot() 等方法，用於收集和顯示最佳化過程中的效能指標。初學者可以暫時將其理解為一本記錄簿，記錄每次迭代的最佳結果以供後續分析。

在上面的範例中，我們已經建立了一個基本的 EvoX 專案配置，包括選擇演算法、定義問題和組裝工作流程。一般來說，配置 EvoX 專案涉及以下步驟：

  1. 選擇/定義最佳化問題：明確您要解決什麼最佳化問題。例如，如果您要最佳化一個數學函數，EvoX 在 evox.problems 模組下提供了許多內建問題（如 Sphere、Rastrigin、Ackley 等經典函數），您可以直接使用。如果您的問題不在內建範圍內，您可以自行定義（在後續章節中介紹）。配置問題時，您通常需要知道決策變數的維度及其值域範圍。

  2. 選擇/配置最佳化演算法：根據問題類型選擇合適的演化演算法。EvoX 在 evox.algorithms 下提供了豐富的演算法集合，包括單目標演算法（如 PSO、GA、CMA-ES）和多目標演算法（如 NSGA-II、RVEA）。選擇演算法後，您通常需要設定演算法參數，如種群大小（pop_size）和演算法特定的參數（如 GA 中的交叉機率和變異機率）。大多數演算法需要變數範圍（下界 lb 和上界 ub）和問題維度來初始化種群。如果使用多目標演算法，還需要指定目標數量（n_objs）。EvoX 的演算法通常為常見的超參數提供預設值，但初學者應考慮根據任務調整這些參數以獲得更好的效能。

  3. 組裝工作流程：準備好演算法和問題實例後，您需要將它們「組裝」成一個工作流程，代表完整的最佳化過程控制。在 EvoX 中，通常使用 StdWorkflow 來組合演算法和問題。如果您想監控最佳化進度，可以在工作流程中加入監控器（如 EvalMonitor）。監控器不是必需的，但在除錯和分析時非常有用。組裝工作流程通常只需一行程式碼，如：workflow = StdWorkflow(algo, prob, monitor)。

  4. 初始化：呼叫工作流程的初始化方法以開始最佳化。最新版本的 EvoX 提供了便捷的 StdWorkflow.init_step() 方法，一次呼叫即可完成初始化過程。

  5. 執行迭代：使用迴圈反覆呼叫 workflow.step() 來推動演化過程。每次呼叫執行一次迭代，包括演算法內部的「產生新解 -> 評估 -> 選擇」等步驟。在迭代過程中，您可以使用監控器觀察即時結果，例如每隔幾代列印當前最佳適應度。終止條件可以根據您的需求設定——常見的包括固定代數（如執行 100 代），或在監控指標收斂時停止（如連續幾代沒有顯著改善）。

  6. 獲取結果：迭代結束後，您需要從演算法中提取最終結果——如最佳解及其目標值。在 EvoX 中，這些通常透過監控器獲取。例如，EvalMonitor.get_best_fitness() 返回最佳適應度值。要獲取最佳解向量，一種方式是讓問題物件在評估過程中儲存最佳候選者，或使用監控器的介面。在 EvoX 的標準實作中，EvalMonitor 記錄每代的最佳個體和適應度，可透過其屬性存取。假設 monitor.history 儲存了歷史記錄，您可以從最後一代中檢索最佳個體。當然，您也可以跳過 EvalMonitor，在迴圈結束後直接查詢演算法物件——這取決於演算法的實作。如果您的自訂演算法實作了 get_best() 或在其狀態中儲存了最佳個體，您可以直接提取。然而，由於 EvoX 強調純函數和模組化，結果通常透過監控模組來存取。

按照這些步驟，您可以清晰地組織最佳化任務的程式碼。對於初學者，重要的是理解演算法-問題-工作流程三者如何協同工作：演算法負責產生和改進解，問題評估解的品質，工作流程將它們連接成一個迭代迴圈。

接下來，我們將介紹 EvoX 中一些可用的基本命令和函數呼叫，以幫助加深您對最佳化過程的理解。

基本命令概覽

使用 EvoX 時，有一些常用的方法和函數，它們就像您需要熟悉的「命令」：

工作流程相關方法

  • StdWorkflow.init_step()：初始化。這是啟動最佳化過程的快速啟動命令，通常在腳本開頭使用。它呼叫演算法和問題的初始化邏輯，產生初始種群並評估適應度。之後，工作流程包含初始狀態，準備好進行迭代。

  • StdWorkflow.step()：推進最佳化一步。每次呼叫使演算法根據當前種群狀態產生新的候選解、評估它們並選擇下一代。使用者通常在迴圈中多次呼叫此方法。step() 函數通常不返回任何內容（內部狀態在工作流程中更新），儘管舊版本可能返回新狀態。對於初學者，您可以簡單地呼叫它而不用擔心返回值。

監控器相關方法

以 EvalMonitor 為例，常用方法包括：

  • EvalMonitor.get_best_fitness()：返回記錄的最低適應度（對於最小化問題）或最高適應度（對於最大化問題；監控器通常會區分這一點）。用於了解當前最佳結果。
  • EvalMonitor.get_history() 或 monitor.history：檢索完整歷史記錄，如每代的最佳值。用於分析收斂趨勢。
  • EvalMonitor.plot()：繪製收斂或效能曲線；需要圖形環境或 Notebook。監控器通常使用 Plotly 來渲染圖表，幫助您直觀地評估演算法效能。 在內部，監控器記錄每代的評估次數及其結果——您通常不需要干預，只需在需要時提取資料。

演算法相關方法

  • Algorithm.__init__() 方法：演算法的初始化方法。變數通常使用 evox.core.Mutable() 包裝，超參數使用 evox.core.Parameter() 包裝。

  • Algorithm.step() 方法：在特定場景或使用自訂演算法/問題時，您可能會直接呼叫演算法的 step() 方法，它通常封裝了演算法的整個迭代邏輯。

  • Algorithm.init_step() 方法：init_step() 方法包含演算法的第一次迭代。如果未被覆寫，它只是呼叫 step() 方法。對於典型情況，第一次迭代與其他迭代沒有區別，因此許多演算法可能不需要自訂的 init_step()。但對於涉及超參數調整的演算法，您可能需要在此處更新超參數或相關變數。

裝置與平行控制

  • .to(device) 方法：如果您需要在程式中切換計算裝置，請使用 PyTorch 的 .to(device) 方法將張量（torch.Tensor）移動到 GPU/CPU（某些 PyTorch 方法如 torch.randn 也需要指定裝置）。一般來說，如果您使用 torch.set_default_device() 將裝置設定為 cuda:0（假設您的系統支援且 EvoX 和相依項目已正確安裝——使用 torch.cuda.is_available() 驗證），大多數 EvoX 的高效能平行計算將自動在 GPU 上執行。在編寫自訂演算法、問題或監控器時，如果您建立新的張量或使用裝置敏感的 PyTorch 方法，建議明確指定 device 為 cuda:0 或使用 torch.get_default_device()，以避免因計算分散在不同裝置上而導致效能下降。

對於初學者，上述方法足以處理典型的最佳化任務。簡而言之：初始化問題/演算法 – 設定監控器 – 組裝工作流程 – 執行並獲取結果是最常見的 EvoX 工作流程。掌握這些就能使用 EvoX 處理基本的最佳化任務。

在進入下一章之前，試著修改範例：將 PSO 換成另一個演算法，將 Ackley 函數替換為另一個測試函數，或使用監控器提取更多資訊——這將幫助您體會配置 EvoX 專案的靈活性。