mirror of
https://github.com/L-yang-yang/cugenopt.git
synced 2026-04-25 12:16:21 +02:00
244 lines
No EOL
6.6 KiB
Markdown
244 lines
No EOL
6.6 KiB
Markdown
# E13: 多目标优化验证实验
|
||
|
||
## 实验目标
|
||
|
||
验证 cuGenOpt 的两种多目标比较模式：
|
||
1. **Weighted（加权求和）** - 目标可权衡
|
||
2. **Lexicographic（字典法）** - 目标有严格优先级
|
||
|
||
## 实验设计
|
||
|
||
### 测试问题
|
||
|
||
#### 问题 1: 双目标 VRP（距离 vs 车辆数）
|
||
|
||
**目标**：
|
||
- 目标1: 最小化总距离
|
||
- 目标2: 最小化使用的车辆数
|
||
|
||
**配置**：
|
||
- 基准实例: A-n32-k5, A-n48-k7（Augerat）
|
||
- 车辆容量: 标准配置
|
||
- 车辆上限: 充足（允许优化车辆数）
|
||
|
||
**测试模式**：
|
||
1. **Weighted 模式**:
|
||
- 配置 A: `weights = [0.9, 0.1]` - 主要关注距离
|
||
- 配置 B: `weights = [0.7, 0.3]` - 平衡距离和车辆数
|
||
- 配置 C: `weights = [0.5, 0.5]` - 同等重要
|
||
|
||
2. **Lexicographic 模式**:
|
||
- 配置 D: 优先级 [距离, 车辆数], tolerance=[100.0, 0.0]
|
||
- 配置 E: 优先级 [车辆数, 距离], tolerance=[0.0, 100.0]
|
||
|
||
#### 问题 2: 三目标 VRP（距离 vs 车辆数 vs 最大路径长度）
|
||
|
||
**目标**：
|
||
- 目标1: 最小化总距离
|
||
- 目标2: 最小化使用的车辆数
|
||
- 目标3: 最小化最大路径长度（负载均衡）
|
||
|
||
**配置**：
|
||
- 基准实例: A-n48-k7
|
||
- 测试 Weighted 和 Lexicographic 两种模式
|
||
|
||
#### 问题 3: 双目标 Knapsack（价值 vs 重量）
|
||
|
||
**目标**：
|
||
- 目标1: 最大化总价值
|
||
- 目标2: 最小化总重量（在满足容量约束下，尽量少用重量）
|
||
|
||
**配置**：
|
||
- 实例: knapPI_1_100
|
||
- 容量: 标准配置
|
||
|
||
**测试模式**：
|
||
- Weighted: `weights = [0.8, 0.2]` (80% 关注价值)
|
||
- Lexicographic: 优先级 [价值, 重量]
|
||
|
||
---
|
||
|
||
## 实验配置
|
||
|
||
### 硬件环境
|
||
- **主实验**: Tesla T4（单GPU）
|
||
- **附加验证**: 2×T4（验证多 GPU 协同在多目标模式下是否正常工作）
|
||
- **时间限制**: 60 秒
|
||
- **随机种子**: 5 个种子（42, 123, 456, 789, 2024）
|
||
|
||
### 对比基线
|
||
- **NSGA-II (DEAP)**: Python 实现的标准多目标算法
|
||
- **单目标版本**: 只优化第一个目标（作为参考）
|
||
|
||
### 评价指标
|
||
|
||
#### 1. 解质量指标
|
||
- **主目标 gap%**: 第一个目标相对最优值的差距
|
||
- **次目标值**: 其他目标的绝对值
|
||
- **Pareto 支配关系**: 解之间的支配情况
|
||
|
||
#### 2. 权重/容差敏感性
|
||
- 不同权重配置下的解质量变化
|
||
- 不同容差配置下的解质量变化
|
||
|
||
#### 3. 模式对比
|
||
- Weighted vs Lexicographic 在相同问题上的表现
|
||
- 收敛速度、解多样性
|
||
|
||
---
|
||
|
||
## 实验步骤
|
||
|
||
### 阶段 1: 实现测试问题（1-2 小时）
|
||
|
||
1. **创建 Problem 定义**:
|
||
- `bi_objective_vrp.cuh` - 双目标 VRP
|
||
- `tri_objective_vrp.cuh` - 三目标 VRP
|
||
- `bi_objective_knapsack.cuh` - 双目标 Knapsack
|
||
|
||
2. **实现两种模式的配置**:
|
||
- 每个问题提供 Weighted 和 Lexicographic 两个版本
|
||
|
||
### 阶段 2: 运行实验（2-3 小时）
|
||
|
||
#### 主实验（单 GPU）
|
||
|
||
1. **Weighted 模式实验**:
|
||
- 不同权重配置（3-5 组）
|
||
- 记录每个目标的值
|
||
|
||
2. **Lexicographic 模式实验**:
|
||
- 不同容差配置（2-3 组）
|
||
- 不同优先级顺序（2 组）
|
||
|
||
3. **对比基线**:
|
||
- NSGA-II (DEAP) 运行相同问题
|
||
- 单目标版本作为参考
|
||
|
||
#### 附加验证（多 GPU）
|
||
|
||
**目的**: 验证多 GPU 协同在多目标模式下是否正常工作（非性能对比）
|
||
|
||
**配置**:
|
||
- 双目标 VRP (A-n48-k7)
|
||
- Weighted 模式: `weights = [0.7, 0.3]`
|
||
- Lexicographic 模式: 优先级 [距离, 车辆数]
|
||
- 2×T4, 60 秒, 单次运行
|
||
|
||
**验证点**:
|
||
- ✅ 多 GPU 协调器能否正确比较不同 GPU 的解
|
||
- ✅ 最终结果是否合理（不劣于单 GPU）
|
||
- ✅ 无崩溃、无死锁
|
||
|
||
### 阶段 3: 数据分析（1 小时）
|
||
|
||
1. **生成对比表**:
|
||
- Weighted 不同权重下的解质量
|
||
- Lexicographic 不同容差下的解质量
|
||
- cuGenOpt vs NSGA-II 对比
|
||
- 多 GPU 验证结果（简单表格，确认功能正常）
|
||
|
||
2. **可视化**:
|
||
- Pareto front 散点图（双目标问题）
|
||
- 权重敏感性曲线
|
||
|
||
3. **生成报告**: `E13_REPORT.md`
|
||
|
||
---
|
||
|
||
## 预期结果
|
||
|
||
### 假设 1: Weighted 模式有效性
|
||
- 不同权重配置应产生不同的 Pareto 解
|
||
- 权重越大的目标，优化效果越好
|
||
|
||
### 假设 2: Lexicographic 模式有效性
|
||
- 第一优先级目标应得到最优或接近最优
|
||
- 容差内才考虑次要目标
|
||
|
||
### 假设 3: 与 NSGA-II 的对比
|
||
- cuGenOpt（Weighted）可能在单个 Pareto 点上表现好
|
||
- NSGA-II 可能在 Pareto front 覆盖上更好（维护整个前沿）
|
||
|
||
### 假设 4: 多 GPU 兼容性
|
||
- 多 GPU 协调器能正确使用 Weighted/Lexicographic 模式比较解
|
||
- 多 GPU 结果不劣于单 GPU（功能正常性验证）
|
||
|
||
---
|
||
|
||
## 实验价值
|
||
|
||
### 学术价值
|
||
1. **验证多目标能力**: 证明框架不仅支持单目标
|
||
2. **模式对比**: 展示两种模式的适用场景
|
||
3. **GPU 加速多目标**: 展示 GPU 在多目标优化上的潜力
|
||
|
||
### 工程价值
|
||
1. **实际应用场景**: VRP 中距离 vs 车辆数是常见需求
|
||
2. **用户指导**: 提供选择模式的实践建议
|
||
3. **功能完整性**: 补全框架验证的最后一块拼图
|
||
|
||
### 论文价值
|
||
1. **增强完整性**: 补充多目标实验
|
||
2. **差异化优势**: 大多数 GPU 优化框架只支持单目标
|
||
3. **实用性**: 展示框架在实际多目标场景的应用
|
||
|
||
---
|
||
|
||
## 时间估算
|
||
|
||
- **实现**: 1-2 小时（3 个 Problem 定义）
|
||
- **主实验**: 2-3 小时（多组配置，对比基线）
|
||
- **多 GPU 验证**: 0.5 小时（2 个快速测试）
|
||
- **分析**: 1 小时（表格、图表、报告）
|
||
- **总计**: 4.5-6.5 小时
|
||
|
||
---
|
||
|
||
## 是否纳入当前论文？
|
||
|
||
### 选项 A: 纳入 paper_v3（推荐）
|
||
**优点**：
|
||
- ✅ 功能完整性
|
||
- ✅ 差异化优势
|
||
- ✅ 实验工作量可控（4-6 小时）
|
||
|
||
**缺点**：
|
||
- ⚠️ 论文已经 27 页，再加可能超 30 页
|
||
- ⚠️ 需要新增 1-2 张图（Pareto front）
|
||
|
||
**建议**：
|
||
- 新增 §6.6 "Multi-Objective Optimization Modes"
|
||
- 1 个表格（Weighted 不同权重配置）
|
||
- 1 个表格（Lexicographic 不同优先级配置）
|
||
- 1 张图（Pareto front 散点图）
|
||
- 1 个小表格（多 GPU 验证，放在脚注或附录）
|
||
- 约 1.5-2 页内容
|
||
|
||
### 选项 B: 作为独立补充实验
|
||
**优点**：
|
||
- ✅ 不影响当前论文进度
|
||
- ✅ 可以更深入探索
|
||
|
||
**缺点**：
|
||
- ⚠️ 论文缺少多目标验证
|
||
|
||
---
|
||
|
||
## 建议
|
||
|
||
**我的建议**: **执行 E13 实验并纳入 paper_v3**
|
||
|
||
**理由**：
|
||
1. 功能已实现，只差实验验证（4-6 小时可完成）
|
||
2. 多目标是框架的重要特性，值得展示
|
||
3. 实验设计清晰，工作量可控
|
||
4. 可以作为论文的亮点之一
|
||
|
||
**下一步**：
|
||
1. 创建 E13 实验目录和 Problem 定义
|
||
2. 运行实验收集数据
|
||
3. 生成 E13_REPORT.md
|
||
4. 更新 paper_v3 添加 §6.6 节
|
||
|
||
要开始实现 E13 吗？ |