Relier l'optimisation multiobjectif évolutionnaire et l'accélération GPU par tensorisation

Bridging Evolutionary Multiobjective Optimization and GPU Acceleration via Tensorization

March 26, 2025

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

cs.AI

Résumé

L'optimisation multiobjectif évolutionnaire (EMO) a réalisé des progrès significatifs au cours des deux dernières décennies. Cependant, à mesure que l'échelle et la complexité des problèmes augmentent, les algorithmes EMO traditionnels rencontrent des limitations de performance substantielles dues à un parallélisme et une scalabilité insuffisants. Bien que la plupart des travaux se soient concentrés sur la conception d'algorithmes pour relever ces défis, peu d'attention a été accordée à l'accélération matérielle, laissant ainsi un écart évident entre les algorithmes EMO et les dispositifs de calcul avancés, tels que les GPU. Pour combler cet écart, nous proposons de paralléliser les algorithmes EMO sur les GPU via la méthodologie de tensorisation. En employant la tensorisation, les structures de données et les opérations des algorithmes EMO sont transformées en représentations tensorielles concises, ce qui permet une utilisation automatique et fluide du calcul GPU. Nous démontrons l'efficacité de notre approche en l'appliquant à trois algorithmes EMO représentatifs : NSGA-III, MOEA/D et HypE. Pour évaluer de manière exhaustive notre méthodologie, nous introduisons un benchmark de contrôle robotique multiobjectif utilisant un moteur physique accéléré par GPU. Nos expériences montrent que les algorithmes EMO tensorisés atteignent des accélérations allant jusqu'à 1113x par rapport à leurs versions basées sur CPU, tout en maintenant la qualité des solutions et en augmentant efficacement la taille des populations à des centaines de milliers. De plus, les algorithmes EMO tensorisés traitent efficacement des tâches complexes de contrôle robotique multiobjectif, produisant des solutions de haute qualité avec des comportements diversifiés. Les codes sources sont disponibles à l'adresse suivante : 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.