進化的多目的最適化とGPUアクセラレーションの統合 - テンソル化を介したアプローチ -

Bridging Evolutionary Multiobjective Optimization and GPU Acceleration via Tensorization

March 26, 2025

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

cs.AI

要旨

進化的多目的最適化（EMO）は、過去20年間で大きな進歩を遂げてきました。しかし、問題の規模と複雑さが増すにつれ、従来のEMOアルゴリズムは並列性とスケーラビリティの不足により、性能上の大きな制約に直面しています。これらの課題に対処するためのアルゴリズム設計に焦点が当てられてきた一方で、ハードウェアアクセラレーションにはほとんど注目が集まっておらず、EMOアルゴリズムとGPUなどの先進的な計算デバイスとの間に明確なギャップが生じています。このギャップを埋めるため、我々はテンソル化手法を用いてEMOアルゴリズムをGPU上で並列化することを提案します。テンソル化を採用することで、EMOアルゴリズムのデータ構造と操作が簡潔なテンソル表現に変換され、GPU計算の自動的な利用が可能となります。我々は、このアプローチの有効性を、NSGA-III、MOEA/D、HypEという3つの代表的なEMOアルゴリズムに適用することで実証します。本手法を包括的に評価するため、GPUアクセラレーションされた物理エンジンを用いた多目的ロボット制御ベンチマークを導入します。実験結果から、テンソル化されたEMOアルゴリズムは、CPUベースの実装と比較して最大1113倍の高速化を達成しつつ、解の品質を維持し、個体群サイズを数十万まで効果的にスケールさせることが示されました。さらに、テンソル化されたEMOアルゴリズムは、複雑な多目的ロボット制御タスクに効率的に取り組み、多様な動作を伴う高品質な解を生成します。ソースコードはhttps://github.com/EMI-Group/evomoで公開されています。

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.