Collegare l'ottimizzazione multiobiettivo evolutiva e l'accelerazione GPU tramite tensorizzazione

Bridging Evolutionary Multiobjective Optimization and GPU Acceleration via Tensorization

March 26, 2025

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

cs.AI

Abstract

L'ottimizzazione multiobiettivo evolutiva (EMO) ha compiuto progressi significativi negli ultimi due decenni. Tuttavia, con l'aumento delle dimensioni e della complessità dei problemi, gli algoritmi EMO tradizionali incontrano limitazioni sostanziali nelle prestazioni a causa di un parallelismo e una scalabilità insufficienti. Sebbene la maggior parte del lavoro si sia concentrata sulla progettazione di algoritmi per affrontare queste sfide, poca attenzione è stata dedicata all'accelerazione hardware, lasciando così un evidente divario tra gli algoritmi EMO e i dispositivi di calcolo avanzati, come le GPU. Per colmare questo divario, proponiamo di parallelizzare gli algoritmi EMO sulle GPU attraverso la metodologia di tensorizzazione. Utilizzando la tensorizzazione, le strutture dati e le operazioni degli algoritmi EMO vengono trasformate in rappresentazioni tensoriali concise, che consentono automaticamente l'utilizzo del calcolo GPU. Dimostriamo l'efficacia del nostro approccio applicandolo a tre algoritmi EMO rappresentativi: NSGA-III, MOEA/D e HypE. Per valutare in modo completo la nostra metodologia, introduciamo un benchmark di controllo robotico multiobiettivo utilizzando un motore fisico accelerato da GPU. I nostri esperimenti mostrano che gli algoritmi EMO tensorizzati raggiungono accelerazioni fino a 1113x rispetto alle loro controparti basate su CPU, mantenendo la qualità delle soluzioni e scalando efficacemente le dimensioni della popolazione fino a centinaia di migliaia. Inoltre, gli algoritmi EMO tensorizzati affrontano in modo efficiente complessi compiti di controllo robotico multiobiettivo, producendo soluzioni di alta qualità con comportamenti diversificati. I codici sorgente sono disponibili all'indirizzo 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.