跳转至

方法 API

进化方法是驱动优化过程的核心算法。

可用算法

EvoToolkit 提供三种主要的进化算法：

算法 最适合 特征
EvoEngineer 通用优化 多功能、稳健、良好的默认选择
FunSearch 函数发现 专门用于函数近似
EoH 启发式优化 快速、高效，适合简单问题

EvoEngineer

class EvoEngineer(Method):
    def __init__(self, config: EvoEngineerConfig)
    def run(self)

EvoEngineer 是 EvoToolkit 中主要的 LLM 驱动进化算法。

高级 API 用法

from evotoolkit.task.python_task import EvoEngineerPythonInterface
import evotoolkit

interface = EvoEngineerPythonInterface(task)
result = evotoolkit.solve(
    interface=interface,
    output_path='./results',
    running_llm=llm_api,
    max_generations=10,
    pop_size=8
)

低级 API 用法

from evotoolkit.evo_method.evoengineer import EvoEngineer, EvoEngineerConfig

config = EvoEngineerConfig(
    interface=interface,
    output_path='./results',
    running_llm=llm_api,
    max_generations=10,
    pop_size=8,
    elite_ratio=0.2,
    mutation_rate=0.3,
    crossover_rate=0.7
)

algorithm = EvoEngineer(config)
algorithm.run()
best = algorithm._get_best_sol(algorithm.run_state_dict.sol_history)

配置参数

进化参数: - max_generations (int): 最大进化代数 - pop_size (int): 种群大小 - max_sample_nums (int): 每代最大 LLM 采样数

选择参数: - elite_ratio (float): 保留为精英的比例（默认: 0.2） - tournament_size (int): 锦标赛选择大小（默认: 3）

变异参数: - mutation_rate (float): 变异概率（默认: 0.3） - crossover_rate (float): 交叉概率（默认: 0.7）

FunSearch

class FunSearch(Method):
    def __init__(self, config: FunSearchConfig)
    def run(self)

FunSearch 是一种专门用于函数发现的优化方法。

用法

from evotoolkit.task.python_task import FunSearchPythonInterface
import evotoolkit

interface = FunSearchPythonInterface(task)
result = evotoolkit.solve(
    interface=interface,
    output_path='./results',
    running_llm=llm_api,
    max_generations=20,
    num_islands=4
)

低级 API

from evotoolkit.evo_method.funsearch import FunSearch, FunSearchConfig

config = FunSearchConfig(
    interface=interface,
    output_path='./results',
    running_llm=llm_api,
    max_generations=20,
    num_islands=4,
    island_size=8,
    migration_rate=0.1,
    migration_interval=5
)

algorithm = FunSearch(config)
algorithm.run()

配置参数

岛模型参数: - num_islands (int): 并行进化岛数量（默认: 4） - island_size (int): 每个岛的种群大小（默认: 8） - migration_rate (float): 岛间迁移率（默认: 0.1） - migration_interval (int): 迁移间隔代数（默认: 5）

EoH

class EoH(Method):
    def __init__(self, config: EoHConfig)
    def run(self)

EoH（启发式进化）是一种快速高效的进化方法。

用法

from evotoolkit.task.python_task import EoHPythonInterface
import evotoolkit

interface = EoHPythonInterface(task)
result = evotoolkit.solve(
    interface=interface,
    output_path='./results',
    running_llm=llm_api,
    max_generations=10
)

低级 API

from evotoolkit.evo_method.eoh import EoH, EoHConfig

config = EoHConfig(
    interface=interface,
    output_path='./results',
    running_llm=llm_api,
    max_generations=10,
    max_sample_nums=20,
    elite_ratio=0.3,
    heuristic_pool_size=50
)

algorithm = EoH(config)
algorithm.run()

配置参数

启发式参数: - heuristic_pool_size (int): 启发式池大小（默认: 50） - elite_ratio (float): 精英比例（默认: 0.3）

算法比较

性能特征

特征 EvoEngineer FunSearch EoH
收敛速度 中等 慢 快
解质量 高 很高 中等
计算成本 中等 高 低
适用范围 广泛 函数发现 启发式优化

何时使用

EvoEngineer: - 通用优化问题 - 平衡性能和质量 - 不确定使用哪个时的默认选择

FunSearch: - 需要高质量解 - 有足够计算预算 - 函数近似和发现任务

EoH: - 快速原型设计 - 简单优化问题 - 有限的计算资源

自定义算法

实现您自己的进化算法：

from evotoolkit.core import BaseMethod, BaseConfig

class MyAlgorithm(BaseMethod):
    def __init__(self, config: BaseConfig):
        super().__init__(config)

    def run(self):
        # 初始化
        population = self.initialize_population()

        for gen in range(self.config.max_generations):
            # 生成新解
            new_solutions = self.generate_with_llm()

            # 评估
            for sol in new_solutions:
                eval_res = self.config.interface.task.evaluate_code(sol.sol_string)
                sol.evaluation_res = eval_res

            # 选择
            population = self.select(population + new_solutions)

            # 记录
            best = max(population, key=lambda s: s.evaluation_res.score if s.evaluation_res.valid else float('-inf'))
            print(f"第 {gen} 代: {best.evaluation_res.score}")

下一步