在允许部分评估的灰盒优化（GBO）环境中，个体的适配度可以在其变量的子集被修改后有效更新。由于基因库最优混合进化算法（GOMEA）的关键优势，这使得该算法的进化优化效率更高。基因库最佳混合（GOM）。对于每个解决方案，GOM对许多（小）变量集进行变异。为了进一步提高效率，可以利用并行计算。对于EA来说，这通常包括群体性的并行化。除非群体规模很大，否则这提供的收益有限。对于大的GBO问题，无论种群规模如何，基于GOM的并行化变异具有更大的加速潜力。由于变量之间的依赖性，这种潜力不能被直接利用。我们展示了如何用图形着色来分组变量，这些变量可以在不违反依赖关系的情况下进行并行变异。我们在图形处理单元（GPU）上测试了并行GOM在Max-Cut问题上的性能，这是一个可以控制依赖结构的著名问题。我们发现，对于具有有限连通性的足够大的图，找到高质量的解决方案的速度可以达到100倍，显示了我们方法的巨大潜力。
《GPU-Accelerated Parallel Gene-pool Optimal Mixing in a Gray-Box Optimization Setting》
论文地址:http://arxiv.org/abs/2203.08680v1
