---

🌟面向可扩展进化计算的分布式GPU加速框架🌟

---

目录

1. 概述
2. 关键特性
3. 主要内容
4. 安装指南
5. 快速入门
6. 姊妹项目
7. 社区与支持

概述

EvoX是一个兼容PyTorch的分布式GPU加速进化计算框架。它采用用户友好的编程模型，提供超过50种进化算法（EAs）和100多个基准问题/环境。更多详情请参阅我们的论文以及文档 / 文档。

[!NOTE] 使用过之前基于JAX版本的用户可以在v0.9.0分支上找到该版本。

关键特性

💻 高性能计算

🚀 超高性能

• 支持在异构硬件上加速，包括CPU和GPU，实现超过100倍的加速。
• 集成分布式工作流，可在多个节点或设备间无缝扩展。

🌐 一体化解决方案

• 包含50多种算法，适用于广泛的使用场景，全面支持单目标和多目标优化。
• 提供分层架构，用于处理复杂任务，如元学习、超参数优化和神经进化。

🛠️ 易用设计

• 完全兼容PyTorch及其生态系统，通过定制化的编程模型简化算法开发。
• 为Windows用户提供一键安装，确保轻松设置。

📊 多样化基准测试

📚 丰富的基准套件

• 拥有100多个基准问题，涵盖单目标优化、多目标优化以及现实世界的工程挑战。

🎮 物理引擎支持

• 可与物理引擎如Brax及其他流行的强化学习框架无缝集成。

⚙️ 可自定义问题

• 提供一个封装模块，用于定义和评估根据用户需求量身定制的问题，并可轻松集成到实际应用和数据集中。

📈 灵活的可视化

🔍 即用工具

• 提供一套全面的可视化工具，用于分析各种任务中的进化过程。

🛠️ 可定制模块

• 允许用户集成自己的可视化代码，实现个性化和灵活的可视化效果。

📂 实时数据流

• 利用定制的**.exv格式**，简化并加速实时数据流。

主要内容

类别	子类别	值得关注的算法/基准问题
单目标优化	差分进化	CoDE, JaDE, SaDE, SHADE, IMODE, ...
	进化策略	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	MOEA/D, RVEA, t-DEA, MOEAD-M2M, EAG-MOEAD, ...
	基于指标	IBEA, HypE, SRA, MaOEA-IGD, AR-MOEA, ...
基准问题/环境	数值类	DTLZ, LSMOP, MaF, ZDT, CEC'22, ...
	神经进化/强化学习	Brax, TorchVision Dataset, ...

有关所有算法的完整列表及详细说明，请查看算法API，而关于基准问题/环境的详细信息则请参考问题API。

安装指南

使用 pip 安装带有默认功能集的 evox：

pip install "evox[default]"

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 用户可以使用 win-install.bat 脚本来进行安装。

快速入门

以下是一些示例，帮助您快速上手 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

# torch.set_default_device("cuda") # 如果您希望默认使用 GPU，请取消注释此行

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() # 或者如果您在无头模式下运行，则使用 monitor.plot().show()

示例输出

多目标优化

使用 RVEA 算法求解 DTLZ2 问题：

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

# torch.set_default_device("cuda") # 如果您希望默认使用 GPU，请取消注释此行

prob = DTLZ2(m=2)
pf = prob.pf()
algo = RVEA(
    pop_size=100,
    n_objs=2,
    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() # 或者如果您在无头模式下运行，则使用 monitor.plot().show()

示例输出

神经进化

进化一个简单的 MLP 模型来解决 Brax 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

# torch.set_default_device("cuda") # 如果您希望默认使用 GPU，请取消注释此行

class SimpleMLP(nn.Module):
    def __init__(self):
        super().__init__()
        # 观测空间为 17 维，动作空间为 6 维。
        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，您也可以使用其他算法
algorithm = PSO(pop_size=POP_SIZE, lb=lb, ub=ub)
# 初始化 Brax 问题
problem = BraxProblem(
    policy=model,
    env_name="halfcheetah",
    max_episode_length=1000,
    num_episodes=3,
    pop_size=POP_SIZE,
)
# 设置监控器，它可以记录前 3 名的最佳适应度值
monitor = EvalMonitor(topk=3)
# 启动工作流
workflow = StdWorkflow(
    algorithm=algorithm,
    problem=problem,
    monitor=monitor,
    opt_direction="max",
    solution_transform=adapter,
)
workflow.init_step()
for i in range(50):
    workflow.step()

monitor.plot() # 或者如果您在无头模式下运行，则使用 monitor.plot().show()

示例输出

[!NOTE] 如需全面指导，请访问我们的 文档。在那里，您将找到详细的安装步骤、教程、实用示例以及完整的 API 参考。

子项目

• EvoRL: 加速进化强化学习的 GPU 框架。请查看 这里。
• EvoGP: 加速遗传编程的 GPU 框架。请查看 这里。
• EvoMO: 加速进化多目标优化 (EMO) 的 GPU 库。请查看 这里。
• TensorNEAT: 用于 GPU 加速的张量化增强拓扑神经进化 (NEAT)。请查看 这里。
• TensorACO: 用于 GPU 加速的张量化蚁群优化 (ACO)。请查看 这里。
• EvoXBench: 一个用于解决各种优化问题（如神经架构搜索 NAS）的真实世界基准平台。它无需 GPU/PyTorch/TensorFlow 即可运行，并支持多种编程环境。请查看 这里。

敬请期待更多激动人心的进展！✨

社区与支持

• 加入 GitHub 讨论区 进行讨论。
• 通过 Discord 或 QQ 群（ID：297969717）联系。
• 访问 官方网站。

引用 EvoX

如果 EvoX 对您的研究有所帮助，请引用如下：

@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}
}

许可声明

EvoX 采用 GNU 通用公共许可证 v3.0 (GPL-3.0) 许可。有关完整条款和条件，请参阅 LICENSE 文件。

EvoX 快速上手指南

EvoX 是一个基于 PyTorch 的分布式 GPU 加速进化计算框架，支持 50+ 种进化算法和 100+ 基准测试问题，适用于单目标/多目标优化及神经进化任务。

环境准备

• 操作系统：Windows / Linux / macOS
• Python 版本：3.10 或更高
• 核心依赖：PyTorch（自动安装）
• 硬件建议：支持 CUDA 的 NVIDIA GPU 可获得百倍加速（可选，CPU 亦可运行）

安装步骤

方式一：通过 pip 安装（推荐）

pip install "evox[default]"

💡 国内用户加速建议：如遇下载缓慢，可使用清华或阿里镜像源：

pip install "evox[default]" -i https://pypi.tuna.tsinghua.edu.cn/simple

方式二：源码安装（开发版）

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

💡 Windows 用户提示：可直接运行官方提供的 win-install.bat 脚本一键安装。

基本使用

以下示例展示如何使用 PSO 算法求解单目标优化问题（Ackley 函数）。

单目标优化示例

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

# 若需默认使用 GPU，请取消下行注释
# torch.set_default_device("cuda")

# 初始化算法：种群大小 100，搜索空间 [-32, 32]^10
algorithm = PSO(pop_size=100, lb=-32 * torch.ones(10), ub=32 * torch.ones(10))

# 初始化问题
problem = Ackley()

# 初始化监控器与工作流
monitor = EvalMonitor()
workflow = StdWorkflow(algorithm, problem, monitor)

# 运行优化
workflow.init_step()
for i in range(100):
    workflow.step()

# 可视化结果
monitor.plot() 
# 若无图形界面（如服务器环境），请使用 monitor.plot().show()

运行后将输出收敛曲线图，展示适应度随迭代次数的变化趋势。

📚 更多示例（多目标优化、神经进化等）及完整 API 文档，请访问：中文文档