Conectando a Otimização Evolutiva Multiobjetivo e a Aceleração por GPU via Tensorização

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

Resumo

A otimização evolutiva multiobjetivo (EMO, na sigla em inglês) tem feito avanços significativos nas últimas duas décadas. No entanto, à medida que a escala e a complexidade dos problemas aumentam, os algoritmos tradicionais de EMO enfrentam limitações substanciais de desempenho devido à insuficiência de paralelismo e escalabilidade. Embora a maior parte do trabalho tenha se concentrado no design de algoritmos para enfrentar esses desafios, pouca atenção tem sido dada à aceleração por hardware, deixando uma lacuna clara entre os algoritmos de EMO e os dispositivos de computação avançados, como GPUs. Para preencher essa lacuna, propomos paralelizar algoritmos de EMO em GPUs por meio da metodologia de tensorização. Ao empregar a tensorização, as estruturas de dados e operações dos algoritmos de EMO são transformadas em representações concisas de tensores, o que permite automaticamente a utilização da computação em GPU. Demonstramos a eficácia de nossa abordagem aplicando-a a três algoritmos representativos de EMO: NSGA-III, MOEA/D e HypE. Para avaliar de forma abrangente nossa metodologia, introduzimos um benchmark de controle de robôs multiobjetivo utilizando um motor de física acelerado por GPU. Nossos experimentos mostram que os algoritmos de EMO tensorizados alcançam acelerações de até 1113x em comparação com suas versões baseadas em CPU, mantendo a qualidade das soluções e escalando efetivamente o tamanho da população para centenas de milhares. Além disso, os algoritmos de EMO tensorizados lidam eficientemente com tarefas complexas de controle de robôs multiobjetivo, produzindo soluções de alta qualidade com comportamentos diversos. Os códigos-fonte estão disponíveis em 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.