GPU-accelerated Evolutionary Multiobjective Optimization Using Tensorized RVEA

进化多目标优化在过去几十年中取得了显著的进展。然而，现有算法在大规模场景中经常遇到计算挑战，主要是由于缺乏硬件加速。为此，我们引入了一种张量化参考向量引导进化算法（TensorRVEA），以利用GPU加速的进展。在TensorRVEA中，关键的数据结构和运算符被完全转换为张量形式，以利用基于GPU的并行计算。在涉及大规模种群和问题维度的数值基准测试中，TensorRVEA始终表现出高计算性能，达到超过1000倍的加速比。然后，我们将TensorRVEA应用于多目标神经进化领域，以解决机器人控制任务中的复杂挑战。此外，我们通过改变几个张量化的繁殖运算符来评估TensorRVEA的可扩展性。实验结果展示了TensorRVEA的良好可扩展性和稳健性。源代码可在\url{https://github.com/EMI-Group/tensorrvea}上获取。

Tensorized Reference Vector Guided Evolutionary Algorithm (TensorRVEA)的提出旨在解决现有算法在大规模场景下遇到的计算挑战，主要是由于缺乏硬件加速。

TensorRVEA将关键数据结构和运算符完全转换为张量形式，利用基于GPU的并行计算，提高计算性能。

在数值基准测试中，TensorRVEA在涉及大规模种群和问题维度的情况下始终表现出高计算性能，实现了超过1000倍的加速。TensorRVEA在多目标神经进化领域中应用于解决机器人控制任务中的复杂挑战。实验结果表明TensorRVEA具有良好的可扩展性和鲁棒性。源代码可在GitHub上获得。

最近的相关研究包括：“Multi-Objective Evolutionary Algorithm Based on Decomposition for Large-Scale Continuous Problems”和“Large-Scale Multi-Objective Optimization Using Cooperative Coevolution with Decomposition”等。