README_ZH.md

         

---

🌟分布式 GPU 加速的通用演化计算框架🌟

---

🔥 新闻

• [2025-03-01] 发布 EvoX 1.1.0 - 全面支持 torch.compile (TorchDynamo) [更新内容]
• [2025-02-03] 发布 EvoRL：基于 JAX 的 GPU 加速 进化强化学习 框架！[论文] [代码]
• [2025-01-30] 发布 EvoGP：基于 PyTorch & CUDA 的 GPU 加速 遗传编程 框架！[论文] [代码]
• [2025-01-14] 发布 EvoX 1.0.0，全面兼容 PyTorch，全面接入torch.compile！使用 JAX 版本 的用户可在 v0.9.0 分支 获取。

目录

1. 概述
2. 主要特性
3. 主要内容
4. 安装指南
5. 快速开始
6. 相关项目
7. 社区支持

概述

EvoX 是一个分布式 GPU 加速的进化计算框架，兼容 PyTorch。提供易用的编程模型，包含 50+ 进化算法 (EAs) 和 100+ 基准问题/环境。详情请参阅我们的 论文 及 文档。

Note

需要使用 JAX 版本 的用户请安装 0.9.0或更早版本。

主要特性

💻 高性能计算

🚀 超高性能

• 支持在CPU 和 GPU 等异构硬件上加速运行，实现100 倍以上加速。
• 集成分布式工作流，可无缝扩展至多个节点或设备。

🌐 一体化解决方案

• 内置50+ 种算法，全面支持单目标和多目标优化。
• 提供分层架构，适用于元学习、超参数优化和神经进化等复杂任务。

🛠️ 易用设计

• 完全兼容 PyTorch 及其生态系统，借助定制化编程模型简化算法开发。
• 具备一键安装功能，让 Windows 用户轻松上手。

📊 多功能基准测试

📚 丰富的基准测试套件

• 提供100+ 基准测试问题，涵盖单目标优化、多目标优化及现实工程挑战。

🎮 支持物理引擎

• 可无缝集成 Brax 等物理引擎，以及其他主流强化学习框架。

⚙️ 可定制问题

• 提供封装模块，支持用户自定义问题，并可无缝集成到现实应用和数据集。

📈 灵活的可视化工具

🔍 即用型工具

• 内置多种可视化工具，支持不同任务的进化过程分析。

🛠️ 可定制模块

• 允许用户集成自定义可视化代码，提供灵活的展示方式。

📂 实时数据流

• 采用定制的 .exv 格式，简化并加速实时数据流处理。

主要内容

类别	子类别	主要算法 / 基准问题
单目标优化	差分演化	CoDE, JaDE, SaDE, SHADE, IMODE, ...
	演化策略	CMA-ES, PGPE, OpenES, CR-FM-NES, xNES, ...
	粒子群优化	FIPS, CSO, CPSO, CLPSO, SL-PSO, ...
多目标优化	基于支配关系	NSGA-II, NSGA-III, SPEA2, BiGE, KnEA, ...
	基于分解策略	MOEA/D, RVEA, t-DEA, MOEAD-M2M, EAG-MOEAD, ...
	基于指标	IBEA, HypE, SRA, MaOEA-IGD, AR-MOEA, ...
基准问题 / 评测环境	数值优化问题	DTLZ, LSMOP, MaF, ZDT, CEC'22, ...
	神经演化 / 强化学习	Brax, TorchVision 数据集, ...

如需完整的算法列表及详细描述，请访问 算法 API，基准问题及环境请参考 问题 API。

安装指南

使用 pip 轻松安装 evox：

pip install evox

从源代码安装最新版本以进行测试或开发：

git clone https://github.com/EMI-Group/evox.git
cd evox
pip install -e .

Tip

Windows 用户可使用 win-install.bat 脚本安装。

快速开始

以下是一些示例，帮助你快速上手 EvoX：

单目标优化

使用 PSO 算法求解 Ackley 问题：

import torch
from evox.algorithms import PSO
from evox.problems.numerical import Ackley
from evox.workflows import StdWorkflow, EvalMonitor

algorithm = PSO(pop_size=100, lb=-32 * torch.ones(10), ub=32 * torch.ones(10))
problem = Ackley()
monitor = EvalMonitor()
workflow = StdWorkflow(algorithm, problem, monitor)
workflow.init_step()
for i in range(100):
    workflow.step()

monitor.plot()

样例输出

多目标优化

使用 RVEA 算法求解 DTLZ2 问题：

import torch
from evox.algorithms import RVEA
from evox.metrics import igd
from evox.problems.numerical import DTLZ2
from evox.workflows import StdWorkflow, EvalMonitor

prob = DTLZ2(m=3)
pf = prob.pf()
algo = RVEA(
    pop_size=100,
    n_objs=3,
    lb=-torch.zeros(12),
    ub=torch.ones(12)
)
monitor = EvalMonitor()
workflow = StdWorkflow(algo, prob, monitor)
workflow.init_step()
for i in range(100):
    workflow.step()

monitor.plot()

样例输出

神经演化

进化一个简单的 MLP 模型，求解 HalfCheetah 环境：

import torch
import torch.nn as nn
from evox.algorithms import PSO
from evox.problems.neuroevolution.brax import BraxProblem
from evox.utils import ParamsAndVector
from evox.workflows import EvalMonitor, StdWorkflow

class SimpleMLP(nn.Module):
    def __init__(self):
        super().__init__()
        # 观察空间维度为 17，动作空间维度为 6。
        self.features = nn.Sequential(nn.Linear(17, 8), nn.Tanh(), nn.Linear(8, 6))

    def forward(self, x):
        return torch.tanh(self.features(x))

# 初始化 MLP 模型
model = SimpleMLP()
adapter = ParamsAndVector(dummy_model=model)
# 设置种群大小
POP_SIZE = 1024
# 获取 PSO 算法的边界
model_params = dict(model.named_parameters())
pop_center = adapter.to_vector(model_params)
lb = torch.full_like(pop_center, -5)
ub = torch.full_like(pop_center, 5)
# 初始化 PSO 算法，你也可以使用其他算法
algorithm = PSO(pop_size=POP_SIZE, lb=lb, ub=ub, device=device)
# 初始化 Brax 问题
problem = BraxProblem(
    policy=model,
    env_name="halfcheetah",
    max_episode_length=1000,
    num_episodes=3,
    pop_size=POP_SIZE,
    device=device,
)
# 设置监视器，可记录最佳 3 个适应度值
monitor = EvalMonitor(topk=3, device=device)
# 初始化工作流
workflow = StdWorkflow(
    algorithm=algorithm,
    problem=problem,
    monitor=monitor,
    opt_direction="max",
    solution_transform=adapter,
    device=device,
)
workflow.init_step()
for i in range(50):
    workflow.step()

样例输出

Note

如需完整指南，请访问我们的文档，其中包含详细的安装步骤、教程、实践示例以及完整的API说明。

相关项目

• EvoRL: 基于 GPU 加速的进化强化学习框架。查看详情：点击这里。
• EvoGP: 基于 GPU 加速的遗传编程框架。查看详情：点击这里。
• TensorNEAT: 用于 GPU 加速的张量化 NEAT（NeuroEvolution of Augmenting Topologies）框架。查看详情：点击这里。
• TensorRVEA: 用于 GPU 加速的张量化参考向量引导进化算法（RVEA）框架。查看详情：点击这里。
• TensorACO: 用于 GPU 加速的张量化蚁群优化算法（ACO）框架。查看详情：点击这里。
• EvoXBench: 一个用于解决各种优化问题（如神经架构搜索 NAS）的真实世界基准测试平台。该平台无需 GPU/PyTorch/TensorFlow 运行，并支持多种编程环境。查看详情：点击这里。

敬请期待——更多精彩内容即将推出！✨

社区支持

• 在 GitHub 讨论区 参与讨论。
• 通过 Discord 或 QQ 群（ID: 297969717）联系交流。
• 访问 EvoX官网。

引用 EvoX

如果 EvoX 对您的研究有帮助，请引用：

@article{evox,
  title = {{EvoX}: {A} {Distributed} {GPU}-accelerated {Framework} for {Scalable} {Evolutionary} {Computation}},
  author = {Huang, Beichen and Cheng, Ran and Li, Zhuozhao and Jin, Yaochu and Tan, Kay Chen},
  journal = {IEEE Transactions on Evolutionary Computation},
  year = 2024,
  doi = {10.1109/TEVC.2024.3388550}
}

许可证声明

EvoX 遵循 GNU 通用公共许可证 3.0 (GPL-3.0) 进行授权。完整的条款和条件请参阅 LICENSE 文件。