เมื่ออัลกอริทึมวิวัฒนาการถูกนำมาใช้เพื่อพัฒนาอัลกอริทึมวิวัฒนาการด้วยตัวมันเองภายในระบบจะมีการคำนวณสองชั้นพร้อมกัน: ชั้นในคือการรันและประเมินค่าการตั้งค่าอัลกอริทึมจำนวนมากบนอินสแตนซ์งานต่างๆ ส่วนชั้นนอกจะเลือก ผ่าเหล่า และอัปเดตการตั้งค่าโดยอิงจากผลการรันเหล่านั้น หากไม่มีฐานการประมวลผลแบบขนานที่ทรงพลัง ชั้นนอกจะถูกการประเมินแบบอนุกรมของชั้นในดึงให้กลายเป็นคอขวดการประมวลผลแบบขนานบน GPUคือกุญแจสำคัญที่เปลี่ยน "การใช้วัฒนาการพัฒนาวัฒนาการ" จากแนวคิดเชิงทฤษฎีให้กลายเป็นกระบวนการที่ทำงานได้จริงด้วยปริมาณงานสูง: งานชั้นในจะรันแบบขนานเป็นชุดและสร้างข้อมูลประสิทธิภาพอย่างต่อเนื่อง ขณะที่วิวัฒนาการชั้นนอกใช้ข้อมูลเหล่านี้เป็นผลป้อนกลับเพื่อคัดเลือกการตั้งค่าอัลกอริทึมที่ดีขึ้นอย่างต่อเนื่อง
สองชั้นต่างทำหน้าที่ของตน
- ชั้นใน (การรันและการประเมิน): รันการตั้งค่าอัลกอริทึมที่เป็นตัวเลือกจำนวนมากบน GPU แบบเป็นชุด (ไฮเปอร์พารามิเตอร์ ตัวดำเนินการ หรือกลยุทธ์การค้นหาที่แตกต่างกัน) โดยรันและให้คะแนนสำหรับอินสแตนซ์งานแต่ละรายการ งานมีขนาดเล็กแต่มีจำนวนมาก จึงเข้ากับลักษณะปริมาณงานแบบเป็นชุดของ GPU ได้อย่างพอดี
- ชั้นกลาง (การรวมผลป้อนกลับ): รวบรวมประสิทธิภาพดิบของงานชั้นในจำนวนมหาศาลให้เป็นตัวชี้วัดเชิงสถิติ ประเมินคุณภาพของการตั้งค่าแต่ละแบบบนการกระจายของงานทั้งหมด และสร้างเป็นค่าความเหมาะสมสำหรับชั้นนอก
- ชั้นนอก (การเลือกการตั้งค่า): ใช้ผลป้อนกลับเชิงสถิติเป็นข้อมูลนำเข้าในการเลือก ผ่าเหล่า หรืออัปเดต สร้างการตั้งค่ารุ่นถัดไปและส่งกลับไปยังชั้นใน เกิดเป็นวงจรปิด
ทำไมการประมวลผลแบบขนานบน GPU จึงแทนที่ไม่ได้
ภายใต้วงจรแบบอนุกรมแบบดั้งเดิม เวลานาฬิกาของการวนซ้ำหนึ่งรอบถูกกำหนดร่วมกันโดย "จำนวนการตั้งค่าที่เป็นตัวเลือก × จำนวนตัวอย่างงาน" พอขนาดใหญ่ขึ้นเล็กน้อยก็รับไม่ไหว วงจรแบบอนุกรมจึงกลายเป็นคอขวดหลักที่จำกัดขนาดของการตั้งค่าตัวเลือกและตัวอย่างงาน การประมวลผลแบบขนานบน GPU ทำให้อัลกอริทึมชั้นในจำนวนมากรันพร้อมกัน ลดวงจรแบบอนุกรมจาก "คอขวดหลัก" ลงเป็น "ค่าใช้จ่ายแบบเป็นชุดที่ยอมรับได้" จึงขยายทั้งพื้นที่การตั้งค่าที่สำรวจได้และปริมาณตัวอย่างงานพร้อมกัน
กลไกหลัก: วงจรปิดหนึ่งวง
ระบบทั้งหมดสรุปได้เป็น "ปริมาณงานขนานของงานชั้นใน → การรวมผลป้อนกลับประสิทธิภาพ → การเลือกการตั้งค่าชั้นนอก" ในลักษณะวงจร: ยิ่งระดับการประมวลผลแบบขนานสูง ตัวอย่างผลป้อนกลับยิ่งเพียงพอ การประมาณค่าความเหมาะสมของชั้นนอกยิ่งเสถียร ทิศทางการปรับปรุงการตั้งค่ายิ่งเชื่อถือได้ การตั้งค่าที่ปรับปรุงแล้วจะถูกส่งกลับไปยังชั้นล่างเพื่อเข้าสู่รอบปริมาณงานขนานถัดไป เป็นวงจรปิดนี้เองที่ทำให้อัลกอริทึมมีความสามารถในการปรับตัวเองให้เหมาะสมอย่างต่อเนื่อง และทำให้ "การใช้วัฒนาการพัฒนาวัฒนาการ" กลายเป็นกระบวนการที่มีประสิทธิภาพและทำงานได้จริง
สถาปัตยกรรมปริมาณงานวิวัฒนาการสองชั้นด้วยการประมวลผลแบบขนานบน GPUภาพแสดงวงจรปิดหนึ่งวง: ชั้นในรันการตั้งค่าอัลกอริทึมตัวเลือกจำนวนมากบน GPU แบบเป็นชุดและให้คะแนน ชั้นกลางรวบรวมประสิทธิภาพชั้นในจำนวนมหาศาลเป็นตัวชี้วัดเชิงสถิติและสร้างค่าความเหมาะสม ชั้นนอกจึงเลือก ผ่าเหล่า และสร้างการตั้งค่ารุ่นถัดไป แล้วส่งกลับไปยังชั้นใน ยิ่งระดับการประมวลผลแบบขนานสูง ตัวอย่างผลป้อนกลับยิ่งหนาแน่น การประเมินคุณภาพการตั้งค่าของชั้นนอกยิ่งเสถียร คอขวดการประเมินแบบอนุกรมก็ลดลงเป็นค่าใช้จ่ายแบบเป็นชุดที่ยอมรับได้ตามไปด้วย
