nnaisense/evotorch

解决的问题

EvoTorch 旨在解决可能不可微分的优化问题，即无法使用传统梯度下降法求解的问题。这包括黑箱优化（连续和离散）、强化学习任务以及监督学习任务。

工作原理

该库基于 PyTorch 构建，实现了多种进化计算算法。它利用 PyTorch 的向量化和并行化能力，加速 GPU 上的优化过程。对于更大规模的工作负载，它与 Ray 集成，可在多个 CPU、GPU 和整个集群上分布计算任务。

适用人群

适用于需要可扩展、GPU 加速的进化算法框架的研究人员和开发者，特别是在优化、神经进化和强化学习领域工作的人群。

主要亮点

• 多样化的算法套件：包含基于分布的搜索（PGPE、XNES、CMA-ES、SNES、CEM）和基于种群的搜索（遗传算法、CoSyNE、MAP-Elites）。
• GPU 加速：原生 PyTorch 实现支持在 GPU 上进行高速向量化操作。
• 可扩展性：与 Ray 集成，可跨多台机器和硬件加速器进行扩展。
• 灵活的目标函数：支持在 PyTorch 中定义的任意目标函数，无论是否向量化。