量子启发式进化优化器在NVIDIA GPU上的性能与可扩展性研究
计算工程、金融与科学
2025-11-11 v2
摘要
量子启发式进化优化利用量子计算原理，如叠加、干涉和概率表示，通过增强的探索与开发能力来改进经典进化算法。本研究在NVIDIA Tesla V100 SXM2 GPU上实现，系统性地研究了应用于大规模0-1背包问题的GPU加速量子启发式进化优化器的性能与可扩展性。通过利用CUDA的并行处理能力，特别是通过优化的内存管理和线程配置，展示了显著的加速效果和GPU资源的高效利用。分析涵盖了不同问题规模、内核启动配置以及包括常量内存、共享内存、全局内存和页锁定内存在内的内存模型，并进行了广泛的可扩展性研究。结果表明，精细调整内存策略和内核配置对于最大化吞吐量和效率至关重要，其中常量内存在达到硬件极限前能提供优越性能。超出这些极限后，全局内存和策略性分块变得必要，尽管会带来一些性能权衡。研究结果突显了在GPU上应用QIEO进行复杂组合优化的前景与实际约束，为未来大规模元启发式实现提供了可操作的见解。
引用
@article{arxiv.2511.01298,
title = {Investigation of Performance and Scalability of a Quantum-Inspired Evolutionary Optimizer (QIEO) on NVIDIA GPU},
author = {Aman Mittal and Kasturi Venkata Sai Srikanth and Ferdin Sagai Don Bosco and Abhishek Singh and Rut Lineswala and Abhishek Chopra},
journal= {arXiv preprint arXiv:2511.01298},
year = {2025}
}
备注
The reported execution and memory resources need to re-checked