Überbrückung von evolutionärer Multiobjektivoptimierung und GPU-Beschleunigung durch Tensorisierung

Bridging Evolutionary Multiobjective Optimization and GPU Acceleration via Tensorization

March 26, 2025

Autoren: Zhenyu Liang, Hao Li, Naiwei Yu, Kebin Sun, Ran Cheng

cs.AI

Zusammenfassung

Die evolutionäre Multi-Objective-Optimierung (EMO) hat in den letzten zwei Jahrzehnten bedeutende Fortschritte erzielt. Allerdings stoßen traditionelle EMO-Algorithmen mit zunehmender Problemgröße und Komplexität aufgrund unzureichender Parallelität und Skalierbarkeit auf erhebliche Leistungsgrenzen. Während sich die meisten Arbeiten auf den Algorithmenentwurf zur Bewältigung dieser Herausforderungen konzentriert haben, wurde der Hardwarebeschleunigung wenig Aufmerksamkeit geschenkt, wodurch eine deutliche Lücke zwischen EMO-Algorithmen und fortschrittlichen Rechengeräten wie GPUs besteht. Um diese Lücke zu schließen, schlagen wir vor, EMO-Algorithmen auf GPUs mithilfe der Tensorisierungsmethodik zu parallelisieren. Durch die Anwendung von Tensorisierung werden die Datenstrukturen und Operationen von EMO-Algorithmen in prägnante Tensor-Darstellungen transformiert, was die automatische Nutzung der GPU-Rechenleistung nahtlos ermöglicht. Wir demonstrieren die Wirksamkeit unseres Ansatzes, indem wir ihn auf drei repräsentative EMO-Algorithmen anwenden: NSGA-III, MOEA/D und HypE. Um unsere Methodik umfassend zu bewerten, führen wir einen Multi-Objective-Robotersteuerungs-Benchmark unter Verwendung einer GPU-beschleunigten Physik-Engine ein. Unsere Experimente zeigen, dass die tensorisierten EMO-Algorithmen im Vergleich zu ihren CPU-basierten Gegenstücken Beschleunigungen von bis zu 1113x erreichen, während sie die Lösungsqualität beibehalten und Populationsgrößen effektiv auf Hunderttausende skalieren. Darüber hinaus bewältigen die tensorisierten EMO-Algorithmen komplexe Multi-Objective-Robotersteuerungsaufgaben effizient und erzeugen hochwertige Lösungen mit vielfältigen Verhaltensweisen. Die Quellcodes sind unter https://github.com/EMI-Group/evomo verfügbar.

English

Evolutionary multiobjective optimization (EMO) has made significant strides over the past two decades. However, as problem scales and complexities increase, traditional EMO algorithms face substantial performance limitations due to insufficient parallelism and scalability. While most work has focused on algorithm design to address these challenges, little attention has been given to hardware acceleration, thereby leaving a clear gap between EMO algorithms and advanced computing devices, such as GPUs. To bridge the gap, we propose to parallelize EMO algorithms on GPUs via the tensorization methodology. By employing tensorization, the data structures and operations of EMO algorithms are transformed into concise tensor representations, which seamlessly enables automatic utilization of GPU computing. We demonstrate the effectiveness of our approach by applying it to three representative EMO algorithms: NSGA-III, MOEA/D, and HypE. To comprehensively assess our methodology, we introduce a multiobjective robot control benchmark using a GPU-accelerated physics engine. Our experiments show that the tensorized EMO algorithms achieve speedups of up to 1113x compared to their CPU-based counterparts, while maintaining solution quality and effectively scaling population sizes to hundreds of thousands. Furthermore, the tensorized EMO algorithms efficiently tackle complex multiobjective robot control tasks, producing high-quality solutions with diverse behaviors. Source codes are available at https://github.com/EMI-Group/evomo.