แนวคิดหลัก
本文提出了张量化RVEA(TensorRVEA)算法,通过将RVEA的关键数据结构和运算符完全转换为张量形式,利用GPU并行计算的优势,大幅提高了多目标优化问题的计算性能。
บทคัดย่อ
本文提出了张量化RVEA(TensorRVEA)算法,旨在利用GPU加速技术和张量化方法来解决进化多目标优化(EMO)中的计算挑战。
数据结构张量化:
将种群、目标向量和参考向量转换为张量格式,实现对整个种群的集体处理和并行操作。
运算符张量化:
将交叉、变异和选择等关键操作转换为张量形式,利用GPU的并行计算能力进行加速。
选择操作中的目标空间划分和角度惩罚距离(APD)计算都采用高效的张量运算。
性能评估:
在大规模种群和高维数值优化问题上,TensorRVEA分别实现了1528倍和1042倍的加速。
在DTLZ1-DTLZ4数值基准问题上,TensorRVEA显著优于标准RVEA。
在多目标机器人控制任务中,TensorRVEA也展现出较NSGA-II和随机搜索更优的性能。
扩展性:
在TensorRVEA框架下集成了多种再生算子,如GA、PSO、DE和CSO,展现了良好的扩展性。
总之,TensorRVEA通过充分利用GPU加速和张量化技术,大幅提升了EMO算法在大规模和高维问题上的计算性能和适用性。
สถิติ
在DTLZ1问题上,TensorRVEA(GPU)相比RVEA(CPU)最大可达1528倍的加速。
在DTLZ1-DTLZ4问题上,TensorRVEA在相同时间内均能找到更优的帕累托前沿解。
在多目标机器人控制任务中,TensorRVEA的超体积指标和期望效用指标均优于NSGA-II和随机搜索。