Overbrugging van Evolutionaire Multiobjectieve Optimalisatie en GPU-versnelling via Tensorisatie

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

Samenvatting

Evolutionaire multiobjectieve optimalisatie (EMO) heeft de afgelopen twee decennia aanzienlijke vooruitgang geboekt. Naarmate de schaal en complexiteit van problemen echter toenemen, ondervinden traditionele EMO-algoritmen aanzienlijke prestatiebeperkingen vanwege onvoldoende parallellisme en schaalbaarheid. Hoewel het meeste werk zich heeft gericht op algoritmeontwerp om deze uitdagingen aan te pakken, is er weinig aandacht besteed aan hardwareversnelling, waardoor een duidelijke kloof ontstaat tussen EMO-algoritmen en geavanceerde rekenapparaten, zoals GPU's. Om deze kloof te overbruggen, stellen we voor om EMO-algoritmen te paralleliseren op GPU's via de tensorisatiemethodologie. Door tensorisatie toe te passen, worden de gegevensstructuren en operaties van EMO-algoritmen omgezet in beknopte tensorrepresentaties, wat naadloos automatisch gebruik van GPU-rekenkracht mogelijk maakt. We demonstreren de effectiviteit van onze aanpak door deze toe te passen op drie representatieve EMO-algoritmen: NSGA-III, MOEA/D en HypE. Om onze methodologie uitgebreid te evalueren, introduceren we een multiobjectieve robotcontrole-benchmark met behulp van een GPU-versnelde physics engine. Onze experimenten tonen aan dat de getensoriseerde EMO-algoritmen snelheidsverbeteringen tot 1113x bereiken in vergelijking met hun CPU-gebaseerde tegenhangers, terwijl de oplossingskwaliteit behouden blijft en populatiegroottes effectief worden opgeschaald tot honderdduizenden. Bovendien tackelen de getensoriseerde EMO-algoritmen complexe multiobjectieve robotcontroletaken efficiënt, waarbij hoogwaardige oplossingen met diverse gedragingen worden geproduceerd. Broncodes zijn beschikbaar op 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.