Uniendo la Optimización Evolutiva Multiobjetivo y la Aceleración por GPU mediante Tensorización

Bridging Evolutionary Multiobjective Optimization and GPU Acceleration via Tensorization

March 26, 2025

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

cs.AI

Resumen

La optimización multiobjetivo evolutiva (EMO, por sus siglas en inglés) ha logrado avances significativos durante las últimas dos décadas. Sin embargo, a medida que aumentan las escalas y complejidades de los problemas, los algoritmos tradicionales de EMO enfrentan limitaciones sustanciales en su rendimiento debido a una insuficiente paralelización y escalabilidad. Si bien la mayoría de los trabajos se han centrado en el diseño de algoritmos para abordar estos desafíos, se ha prestado poca atención a la aceleración por hardware, lo que ha dejado una brecha evidente entre los algoritmos de EMO y los dispositivos de computación avanzados, como las GPU. Para cerrar esta brecha, proponemos paralelizar los algoritmos de EMO en GPU mediante la metodología de tensorización. Al emplear la tensorización, las estructuras de datos y las operaciones de los algoritmos de EMO se transforman en representaciones tensoriales concisas, lo que permite de manera automática y fluida el uso de la capacidad de cómputo de las GPU. Demostramos la efectividad de nuestro enfoque aplicándolo a tres algoritmos representativos de EMO: NSGA-III, MOEA/D y HypE. Para evaluar exhaustivamente nuestra metodología, introducimos un benchmark de control multiobjetivo de robots utilizando un motor de física acelerado por GPU. Nuestros experimentos muestran que los algoritmos de EMO tensorizados logran aceleraciones de hasta 1113 veces en comparación con sus versiones basadas en CPU, manteniendo la calidad de las soluciones y escalando eficazmente los tamaños de población a cientos de miles. Además, los algoritmos de EMO tensorizados abordan eficientemente tareas complejas de control multiobjetivo de robots, produciendo soluciones de alta calidad con comportamientos diversos. Los códigos fuente están disponibles en https://github.com/EMI-Group/evomo.

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.