El desarrollo de la optimización por enjambre de partículas (PSO) ha sido, en esencia, una historia de continuo “diseño manual”. Durante las últimas décadas, los investigadores han propuesto una gran cantidad de mejoras relacionadas con pesos de inercia, estrategias de aprendizaje, topologías de enjambre, estructuras de subpoblaciones y otros componentes, conformando gradualmente un amplio espacio de diseño algorítmico alrededor del PSO. Sin embargo, cuanto más grande es el espacio, más difícil resulta la elección. Frente a una tarea de optimización específica, qué parámetros seleccionar, qué mecanismos de aprendizaje adoptar y cómo organizar el enjambre de partículas: estas decisiones de diseño, altamente acopladas, siguen dependiendo en gran medida de la experiencia de los investigadores y del ensayo y error. El PSO se ha vuelto cada vez más rico, pero también cada vez más difícil de “elegir correctamente”. ¿Y si el propio acto de “elegir un PSO” también se delegara a la evolución algorítmica?
El marco AutoPSO, propuesto por el equipo de EvoX, codifica de manera uniforme la configuración de parámetros, los mecanismos de aprendizaje y la estructura del enjambre del PSO en un espacio evolutivo explorable, y mediante metaevolución busca automáticamente la variante de PSO óptima para un determinado problema objetivo. Este marco no solo optimiza la solución del problema, sino que, en un nivel superior, optimiza automáticamente “con qué PSO resolverlo”.
La búsqueda a gran escala de la metaevolución depende de evaluaciones masivamente paralelas, y la computación tensorizada, el procesamiento por lotes y el paralelismo GPU de EvoX resuelven precisamente ese cuello de botella: miles de variantes candidatas pueden evolucionar simultáneamente, haciendo viables en la práctica búsquedas a nivel meta que antes eran inviables en CPU.
Potencia de cómputo GPU × metaevolución impulsa al PSO del “diseño manual” hacia la “generación automática”.
Al PSO no le faltan métodos; le falta la capacidad de combinarlos automáticamente
Durante las últimas décadas, la investigación sobre PSO ha acumulado un rico conjunto de opciones mecánicas: cómo cambian los parámetros a lo largo de las iteraciones, de qué individuos aprenden las partículas, si el enjambre se divide en subgrupos y qué estrategias de actualización adoptan los distintos subgrupos.
El problema no es la falta de mecanismos, sino que la mayoría de ellos existen como algoritmos independientes orientados a problemas específicos. Frente a una tarea nueva, los investigadores siguen teniendo que seleccionar, combinar y verificar manualmente entre un gran conjunto de mecanismos, y luego reajustarlos.
La filosofía de AutoPSO no es descartar este conocimiento acumulado, sino reorganizarlo en un espacio de componentes reutilizables. Descompone los aspectos clave del diseño del PSO en varios módulos:
-
cómo evolucionan los parámetros;
-
de qué ejemplares aprenden las partículas;
-
cómo se divide el enjambre en subgrupos;
-
qué estrategias de actualización emplean los distintos subgrupos.
En los enfoques tradicionales, estas decisiones las toma principalmente el ser humano; en AutoPSO, se convierten en objetos explorables por el algoritmo. En otras palabras, AutoPSO no consiste en “reinventar manualmente un PSO”, sino en construir un metamarco que, antes de resolver el problema actual, pueda configurar automáticamente una variante de PSO adecuada para él.
Figura 1: AutoPSO organiza los elementos clave del diseño del PSO en módulos combinables y explorables.
Delegar al propio algoritmo la optimización de nivel externo, tradicionalmente realizada por los investigadores
La investigación convencional en optimización siempre ha tenido una estructura de dos niveles. En el nivel interno, el PSO se usa para resolver el problema objetivo —ya sea optimización de funciones, diseño de ingeniería o políticas de control—. En el nivel externo existe una optimización menos explícita: los investigadores están optimizando el propio algoritmo.
Qué reglas de actualización elegir, cómo fijar los parámetros, qué ejemplares de aprendizaje adoptar, si introducir mecanismos de subgrupos, qué mecanismos pueden combinarse y qué combinaciones resultan inestables: estas decisiones típicamente las han tomado los investigadores basándose en la experiencia y luego las han refinado mediante ensayo y error.
El cambio clave que aporta AutoPSO es delegar al algoritmo este proceso de nivel externo, antes realizado manualmente por los investigadores. Una partícula de nivel externo ya no representa una solución candidata al problema objetivo, sino un diseño candidato de PSO que codifica parámetros, ejemplares de aprendizaje, partición en subgrupos y estrategias de actualización. El PSO de nivel interno, equipado con estas configuraciones, resuelve el problema objetivo y devuelve su desempeño como retroalimentación al nivel externo, que continúa buscando mejores configuraciones algorítmicas.
AutoPSO no solo optimiza la solución del problema, sino también “con qué PSO resolverlo”.
Transforma el proceso de diseño de algoritmos, que antes dependía de la experiencia de los investigadores, en un proceso evolutivo interno del sistema que puede explorarse, evaluarse e iterarse automáticamente.
Figura 2: El nivel externo busca configuraciones del algoritmo, mientras que el nivel interno emplea la configuración elegida para resolver el problema objetivo.
EvoX y GPU: hacer verdaderamente viable el diseño automático de algoritmos
Proponer un marco de búsqueda automática de estructuras algorítmicas no es especialmente difícil; el verdadero desafío está en el costo computacional. Evaluar un diseño candidato de PSO requiere ejecutarlo sobre un proceso completo de resolución del problema objetivo. Cuantos más diseños candidatos haya, mayor será la carga computacional del nivel interno.
En los entornos seriales tradicionales basados en CPU, dichos costos son prohibitivos. Sin embargo, este tipo de cómputo es intrínsecamente paralelizable: los algoritmos candidatos pueden evaluarse de manera concurrente y, dentro de cada algoritmo candidato, las actualizaciones de las partículas también pueden procesarse por lotes. AutoPSO aprovecha EvoX para mapear la estructura de poblaciones de la computación evolutiva sobre la capacidad de procesamiento por lotes de las GPU, permitiendo que la búsqueda de configuraciones del nivel externo y la resolución del problema del nivel interno avancen simultáneamente.
Aquí, la aceleración por GPU no consiste meramente en acortar el tiempo de una única ejecución; lo más importante es que aumenta sustancialmente el número de diseños candidatos que pueden compararse en un periodo dado. La metaevolución es, en esencia, una búsqueda en el espacio de los algoritmos, y la calidad de esa búsqueda depende directamente de cuántos diseños candidatos de PSO se han evaluado. Cuanto más exhaustiva sea la evaluación, mayor será la probabilidad de encontrar una configuración bien adaptada al problema actual.
El valor de EvoX reside precisamente en proporcionar esta capacidad: organiza las actualizaciones de partículas y las evaluaciones de aptitud del nivel interno, así como la comparación de algoritmos candidatos del nivel externo, en operaciones tensoriales sobre GPU, lo que permite que miles de diseños candidatos avancen de manera síncrona en cada iteración. En otras palabras, EvoX transforma la metaevolución de un proceso de “ensayo y error lento” en uno de “experimentación paralela a gran escala”, y esta es precisamente la base computacional sobre la que se apoya AutoPSO.
No solo más rápido, sino también más capaz de “usar la búsqueda”
Lo que AutoPSO busca demostrar no es simplemente que corre rápido en GPU, sino que, una vez automatizado el proceso de diseño del PSO, el algoritmo puede realmente descubrir una estrategia de búsqueda mejor adaptada al problema en cuestión.
En el benchmark de optimización numérica CEC2022, el equipo de EvoX comparó AutoPSO con el PSO original, CSO, CLPSO, FIPS y varias variantes de PSO de aprendizaje social. Con el mismo presupuesto de tiempo de ejecución, muchas variantes de PSO de estructura fija mostraron un descenso inicial rápido de los valores objetivo pero tendieron a estancarse prematuramente. En cambio, AutoPSO pudo ajustar continuamente la configuración de su PSO de nivel interno durante la ejecución, manteniendo una tendencia de mejora más estable en múltiples funciones.
El equipo también realizó comparaciones con el mismo número de evaluaciones de la función, y AutoPSO siguió obteniendo un desempeño superior. Esto indica que su ventaja proviene de organizar el proceso de búsqueda de manera más eficaz, y no simplemente de consumir más recursos computacionales.
Figura 3: Resultados experimentales en el benchmark de optimización numérica CEC2022.
El equipo de investigación aplicó además AutoPSO a tareas de control robótico basadas en neuroevolución. En comparación con la optimización de funciones numéricas, estas tareas están mucho más cerca de las aplicaciones reales: implican parámetros de política de alta dimensionalidad, un ruido de retroalimentación significativo, paisajes objetivo irregulares e información de gradiente que no siempre está disponible.
En múltiples entornos de control robótico de Brax, AutoPSO logró una mejora más rápida de la recompensa y un mejor desempeño final. Esto sugiere que AutoPSO no es meramente un conjunto de heurísticas ajustadas a una clase específica de funciones, sino un enfoque práctico y transferible para la construcción automática de algoritmos.
Figura 4: Resultados experimentales en los problemas de control robótico de Brax.
El valor de EvoX se demuestra de la manera más directa en los experimentos de escalabilidad. La estructura de dos niveles de AutoPSO conlleva naturalmente un mayor tamaño de población: el nivel externo aloja muchos algoritmos candidatos y cada algoritmo candidato del nivel interno tiene su propio enjambre de partículas. Con la ejecución serial tradicional, el tiempo de cómputo necesario se volvería rápidamente inmanejable.
En las GPU, sin embargo, cuando el tamaño total de la población se incrementa 100 veces, el tiempo de ejecución solo aumenta alrededor de 3 veces. En pruebas con 8192 dimensiones, AutoPSO mantiene una sobrecarga de tiempo aceptable y logra una aceleración de un orden de magnitud respecto a la ejecución en CPU.
Figura 5: Impacto del escalado del tamaño de la población en el tiempo de ejecución.
AutoPSO no desperdicia ni potencia de cómputo ni conocimiento histórico
En lugar de reemplazar la investigación algorítmica por potencia de cómputo bruta, AutoPSO transforma los resultados de investigación acumulados durante mucho tiempo en activos de diseño operativos. Los mecanismos eficaces que antes estaban dispersos entre distintas variantes de PSO se abstraen en componentes reutilizables, mientras que las decisiones combinatorias que antes dependían de la experiencia humana se delegan a la metaevolución para su validación en tareas específicas.
Tres elementos son indispensables: el conocimiento histórico proporciona el espacio de búsqueda; la optimización automática se encarga de la búsqueda combinatoria; y EvoX, junto con el paralelismo de GPU, aporta la capacidad de evaluación a gran escala. Sin conocimiento histórico, a la búsqueda le faltan candidatos prometedores; sin optimización automática, el conocimiento difícilmente puede reorganizarse para la tarea en cuestión; sin computación paralela, la escala de la búsqueda no puede sostenerse.
AutoPSO libera a los investigadores del ajuste repetitivo de parámetros y del ensayo y error, dirigiendo sus esfuerzos hacia un trabajo más valioso: definir componentes, diseñar espacios de búsqueda y establecer procesos de evaluación más confiables.
De modificar algoritmos a construir sistemas que generan algoritmos
La importancia de AutoPSO va más allá de obtener una variante de PSO más potente. Demuestra un nuevo paradigma para los algoritmos evolutivos en la era de la computación paralela:
-
Antes estudiábamos “cómo diseñar un algoritmo mejor”;
-
ahora estudiamos “cómo construir un sistema capaz de generar, seleccionar y mejorar algoritmos automáticamente”.
A medida que la evaluación masiva de candidatos en GPU se convierta gradualmente en la norma en la investigación, las fronteras de la computación evolutiva cambiarán en consecuencia: el hardware de computación paralela ya no es meramente una plataforma que aloja la ejecución de algoritmos, sino que empieza a participar en la transformación de la manera en que se diseñan los algoritmos.
AutoPSO × EvoX: impulsar la transición de la computación evolutiva de la era manual a la era automática.
Código abierto / Recursos de la comunidad
Artículo:
https://arxiv.org/abs/2608.07539
GitHub:
https://github.com/EMI-Group/autopso
Proyecto precursor (EvoX):
https://github.com/EMI-Group/evox
Grupo de QQ:
297969717
Código QR del grupo de la comunidad QQ de EvoX.