論文の概要: Fully Tensorized GPU-accelerated Multi-population Evolutionary Algorithm for Constrained Multiobjective Optimization Problems

• arxiv url: http://arxiv.org/abs/2509.19821v1
• Date: Wed, 24 Sep 2025 07:06:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.715265
• Title: Fully Tensorized GPU-accelerated Multi-population Evolutionary Algorithm for Constrained Multiobjective Optimization Problems
• Title（参考訳）: 制約付き多目的最適化問題に対するフルテンソル化GPU加速多集団進化アルゴリズム
• Authors: Weixiong Huang, Rui Wang, Wenhua Li, Sheng Qi, Tianyu Luo, Delong Chen, Tao Zhang, Ling Wang,
• Abstract要約: 本稿では,GMPEAと呼ばれるGPUによる多集団進化アルゴリズムを提案する。 まず、GPU環境で実装された代表的CMOEAの性能ボトルネックを分析する。 計算速度とソリューションパフォーマンスのトレードオフに対処するため、GMPEAでは、ワークフロー全体にわたって完全に並列化された分解ベースのマルチポピュレーションアプローチを導入している。
• 参考スコア（独自算出の注目度）: 12.480139972771964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real world constrained multiobjective optimization problems (CMOPs) are prevalent and often come with stringent time-sensitive requirements. However, most contemporary constrained multiobjective evolutionary algorithms (CMOEAs) suffer from a number of drawbacks, including complex designs, low computational efficiency, and long convergence times, which are particularly pronounced when addressing time-sensitive CMOPs. Although research on accelerating evolutionary algorithms using GPU parallelism has advanced, existing CMOEAs still face significant limitations within GPU frameworks. To overcome these challenges, this paper proposes a GPU-accelerated multi-population evolutionary algorithm, termed GMPEA. We first systematically analyze the performance bottlenecks of representative CMOEAs when implemented in a GPU environment. To address the trade-off between computational speed and solution performance, GMPEA introduces a decomposition-based multi-population approach that is fully parallelized across its entire workflow. We conducted comparative experiments on various benchmark tests and real world applications: the Weapon Target Assignment Problems. The results demonstrate that GMPEA achieves competitive performance even without time constraints, while its computational speed significantly surpasses that of the compared algorithms. More critically, under a strict time limit, the performance of GMPEA drastically outperforms its counterparts. This work provides compelling evidence of GMPEA's superiority in solving time-sensitive CMOPs.
• Abstract（参考訳）: 実世界の制約付き多目的最適化問題(CMOP)は一般的であり、しばしば時間に敏感な要求が伴う。 しかし、現代の制約付き多目的進化アルゴリズム(CMOEA)は、複雑な設計、低い計算効率、長い収束時間など、多くの欠点に悩まされている。 GPU並列性を用いた進化的アルゴリズムの高速化に関する研究は進んでいるが、既存のCMOEAはGPUフレームワーク内でも大きな制限に直面している。 これらの課題を克服するために、GMPEAと呼ばれるGPUによる多集団進化アルゴリズムを提案する。 まず、GPU環境で実装された代表的CMOEAの性能ボトルネックを系統的に分析する。 計算速度とソリューションパフォーマンスのトレードオフに対処するため、GMPEAでは、ワークフロー全体にわたって完全に並列化された分解ベースのマルチポピュレーションアプローチを導入している。 Weapon Target Assignment Problems という,様々なベンチマークテストと実世界の応用について比較実験を行った。 その結果,GMPEAは時間制約を伴わずに競争性能を達成し,計算速度は比較アルゴリズムをはるかに上回ることがわかった。 より重要なことに、厳格な時間制限の下では、GMPEAのパフォーマンスは、その性能を大幅に上回っている。 この研究は、時間に敏感なCMOPを解く上で、GMPEAが優れていることを示す説得力のある証拠を提供する。

関連論文リスト

• LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.83882149157548]
  大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。 LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。 LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
  論文  参考訳（メタデータ） (2025-08-16T02:00:57Z)
• Bridging Evolutionary Multiobjective Optimization and GPU Acceleration via Tensorization [11.508416084439443]
  進化的多目的最適化(EMO)は過去20年間に大きく進歩してきた。 従来のEMOアルゴリズムは、並列性とスケーラビリティが不十分なため、大幅な性能制限に直面している。 テンソル化手法を用いてGPU上でのEMOアルゴリズムの並列化を提案する。 実験の結果, テンソル化EMOアルゴリズムはCPUベースと比較して最大1113倍の高速化を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-03-26T07:30:23Z)
• Enhancing Dropout-based Bayesian Neural Networks with Multi-Exit on FPGA [20.629635991749808]
  本稿では,フィールドプログラマブルゲートアレイ(FPGA)ベースのアクセラレータを効率よく生成するアルゴリズムとハードウェアの共同設計フレームワークを提案する。 アルゴリズムレベルでは、計算とメモリのオーバーヘッドを低減した、新しいマルチエグジット・ドロップアウトベースのベイズNNを提案する。 ハードウェアレベルでは,提案する効率的なベイズNNのためのFPGAベースのアクセラレータを生成するための変換フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-20T17:08:42Z)
• AcceleratedLiNGAM: Learning Causal DAGs at the speed of GPUs [57.12929098407975]
  既存の因果探索法を効率的に並列化することにより,数千次元まで拡張可能であることを示す。 具体的には、DirectLiNGAMの因果順序付けサブプロデューサに着目し、GPUカーネルを実装して高速化する。 これにより、遺伝子介入による大規模遺伝子発現データに対する因果推論にDirectLiNGAMを適用することで、競争結果が得られる。
  論文  参考訳（メタデータ） (2024-03-06T15:06:11Z)
• Distributed stochastic optimization with large delays [59.95552973784946]
  大規模最適化問題を解決する最も広く使われている手法の1つは、分散非同期勾配勾配(DASGD)である。 DASGDは同じ遅延仮定の下で大域的最適実装モデルに収束することを示す。
  論文  参考訳（メタデータ） (2021-07-06T21:59:49Z)
• EOS: a Parallel, Self-Adaptive, Multi-Population Evolutionary Algorithm for Constrained Global Optimization [68.8204255655161]
  EOSは実数値変数の制約付きおよび制約なし問題に対する大域的最適化アルゴリズムである。 これはよく知られた微分進化(DE)アルゴリズムに多くの改良を加えている。 その結果、EOSisは、最先端の単一人口自己適応Dアルゴリズムと比較して高い性能を達成可能であることが証明された。
  論文  参考訳（メタデータ） (2020-07-09T10:19:22Z)
• Iterative Algorithm Induced Deep-Unfolding Neural Networks: Precoding Design for Multiuser MIMO Systems [59.804810122136345]
  本稿では,AIIDNN(ディープ・アンフォールディング・ニューラルネット)を一般化した,ディープ・アンフォールディングのためのフレームワークを提案する。 古典的重み付き最小二乗誤差(WMMSE)反復アルゴリズムの構造に基づく効率的なIAIDNNを提案する。 提案したIAIDNNは,計算複雑性を低減した反復WMMSEアルゴリズムの性能を効率よく向上することを示す。
  論文  参考訳（メタデータ） (2020-06-15T02:57:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。