- [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！使用 JAX 版本 的用户可在 v0.9.0 分支 获取。
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。
使用 JAX 版本 的用户可在 v0.9.0 分支 获取。
- 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。
- 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。
- 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。
- 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。
- 可无缝集成 Brax 等物理引擎，以及其他主流强化学习框架。
- 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。
- 内置多种可视化工具，支持不同任务的进化过程分析。
- 允许用户集成自定义可视化代码，提供灵活的展示方式。
- 采用定制的 .exv 格式，简化并加速实时数据流处理。
| 类别 | 算法 |
|---|---|
| 差分进化 (Differential Evolution) | CoDE, JaDE, SaDE, SHADE, IMODE, ... |
| 进化策略 (Evolution Strategy) | CMA-ES, PGPE, OpenES, CR-FM-NES, xNES, ... |
| 粒子群优化 (Particle Swarm Optimization) | FIPS, CSO, CPSO, CLPSO, SL-PSO, ... |
| 类别 | 算法 |
|---|---|
| 基于支配关系 (Dominance-based) | NSGA-II, NSGA-III, SPEA2, BiGE, KnEA, ... |
| 基于分解策略 (Decomposition-based) | MOEA/D, RVEA, t-DEA, MOEAD-M2M, EAG-MOEAD, ... |
| 基于指标 (Indicator-based) | IBEA, HypE, SRA, MaOEA-IGD, AR-MOEA, ... |
| 类别 | 问题/环境 |
|---|---|
| 数值优化 (Numerical) | DTLZ, LSMOP, MaF, ZDT, CEC'22, ... |
| 神经进化/强化学习 (Neuroevolution/RL) | Brax, TorchVision 数据集, ... |
要查看所有算法的完整列表及详细描述，请访问 算法 API。 要查看基准测试问题/环境，请参考 问题 API。
使用 pip 轻松安装 evox：
pip install evox注意：Windows 用户可使用 win-install.bat 脚本安装。
- 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！✨
- 在 GitHub 讨论区 参与讨论。
- 通过 Discord 或 QQ 群（ID: 297969717）联系交流。
- 在 Weblate 帮助翻译 EvoX 文档。 我们目前支持两种语言的翻译：English / 中文。
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}
}