Соединение эволюционной многокритериальной оптимизации и ускорения на GPU через тензоризацию

Bridging Evolutionary Multiobjective Optimization and GPU Acceleration via Tensorization

March 26, 2025

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

cs.AI

Аннотация

Эволюционная многокритериальная оптимизация (EMO) достигла значительных успехов за последние два десятилетия. Однако с увеличением масштабов и сложности задач традиционные алгоритмы EMO сталкиваются с существенными ограничениями производительности из-за недостаточного уровня параллелизма и масштабируемости. Хотя большая часть работ была сосредоточена на проектировании алгоритмов для решения этих проблем, мало внимания уделялось аппаратному ускорению, что создает явный разрыв между алгоритмами EMO и современными вычислительными устройствами, такими как GPU. Чтобы устранить этот разрыв, мы предлагаем распараллелить алгоритмы EMO на GPU с использованием методологии тензоризации. Применяя тензоризацию, структуры данных и операции алгоритмов EMO преобразуются в компактные тензорные представления, что позволяет автоматически использовать вычислительные возможности GPU. Мы демонстрируем эффективность нашего подхода, применяя его к трем представительным алгоритмам EMO: NSGA-III, MOEA/D и HypE. Для всесторонней оценки нашей методологии мы вводим многокритериальный бенчмарк управления роботами с использованием GPU-ускоренного физического движка. Наши эксперименты показывают, что тензоризованные алгоритмы EMO достигают ускорения до 1113 раз по сравнению с их CPU-версиями, сохраняя качество решений и эффективно масштабируя размеры популяции до сотен тысяч. Кроме того, тензоризованные алгоритмы EMO успешно справляются со сложными многокритериальными задачами управления роботами, генерируя высококачественные решения с разнообразным поведением. Исходные коды доступны по адресу 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.