iStratDE: Computação GPU x Populações Ultra-Grandes Liberam Todo o Potencial da Evolução Diferencial

A Evolução Diferencial (DE) é altamente sensível à seleção de estratégia. A maioria das variantes existentes de DE busca melhor desempenho através de mecanismos adaptativos ou estruturas de controle cada vez mais sofisticadas. No entanto, enquanto a adaptação dinâmica tem sido extensivamente estudada, os benefícios estruturais da diversidade estática de estratégias receberam muito menos atenção.

Para preencher essa lacuna, a equipe EvoX investigou como a diversidade de estratégias no nível individual molda a dinâmica de busca e o desempenho de otimização da DE, e propôs uma variante minimalista: iStratDE (Individual-Level Strategy Diversity Differential Evolution). A ideia central é simples: na inicialização, cada indivíduo recebe sua própria estratégia de mutação e cruzamento, e essa atribuição permanece fixa ao longo de toda a evolução. Ao introduzir diversidade no nível individual — descartando loops complicados de adaptação e retroalimentação — o iStratDE cria uma heterogeneidade comportamental persistente em toda a população.

Essa propriedade se torna especialmente poderosa em populações grandes. Como o algoritmo é livre de comunicação por design, ele naturalmente suporta execução paralela eficiente e escala suavemente para ambientes GPU. A equipe também fornece uma análise de convergência sob premissas padrão de alcançabilidade, estabelecendo a convergência quase certa do melhor fitness encontrado. Experimentos extensivos no benchmark CEC2022 e em tarefas de controle robótico mostram que o iStratDE pode igualar ou até superar as variantes adaptativas convencionais de DE. O código-fonte foi publicado no GitHub: https://github.com/EMI-Group/istratde

Contexto: A Computação Evolutiva na Armadilha da Complexidade

A DE tem sido há muito tempo uma das ferramentas mais eficazes para otimização contínua, graças aos seus operadores simples e forte capacidade de busca. No entanto, seu desempenho depende fortemente da escolha da estratégia de mutação e dos parâmetros de controle como F e CR. De acordo com o teorema No Free Lunch, nenhuma configuração única pode dominar em todos os problemas.

Nas últimas duas décadas, a resposta predominante tem sido tornar a DE cada vez mais adaptativa. Do SaDE à família LSHADE, os algoritmos se tornaram mais “inteligentes” ao manter arquivos históricos, estimar taxas de sucesso de estratégias e ajustar parâmetros no nível da população. Mas essa inteligência tem um custo. A lógica de controle centralizada introduz sobrecarga computacional substancial e, mais importante, barreiras severas de sincronização. Na era do paralelismo GPU, essa dependência da troca global de informação frequentemente leva a uma utilização precária do hardware e impede que os algoritmos explorem totalmente o poder computacional disponível.

Quebrando o Impasse: Minimalismo e Diversidade Estrutural

É possível preservar a natureza minimalista da DE enquanto se alcança a robustez — ou até um desempenho superior — das variantes adaptativas complexas?

A equipe EvoX responde a essa pergunta com uma proposta contraintuitiva: iStratDE. Em vez de tentar tornar o algoritmo “mais inteligente” durante a execução, o iStratDE confere à população a máxima diversidade desde o início. Apoiado pelo framework distribuído e acelerado por GPU EvoX, o iStratDE demonstra que a evolução paralela em grande escala pode ser dramaticamente fortalecida através de uma simples atribuição de estratégias no nível individual, sem introduzir nenhum mecanismo adaptativo.

O Que É o iStratDE?

A filosofia do iStratDE pode ser resumida como “indivíduos diferentes, papéis diferentes.”

Nas variantes convencionais de DE, as estratégias geralmente são definidas ou adaptadas no nível da população. No iStratDE, a diversidade de estratégias é introduzida no nível do indivíduo:

Atribuído uma vez, fixo para sempre. Durante a inicialização, cada indivíduo recebe aleatoriamente uma estratégia independente de mutação-cruzamento e um conjunto de parâmetros de controle.
Execução descentralizada. Uma vez atribuídas, essas estratégias permanecem inalteradas ao longo de todo o processo evolutivo. Cada indivíduo busca de acordo com seu próprio conjunto de regras, sem reportar a um controlador central ou aguardar feedback de outros.
Paralelismo intrínseco. Como os indivíduos não dependem uns dos outros através de sincronização complexa, o iStratDE elimina a sobrecarga de comunicação e se mapeia naturalmente na arquitetura SIMT da GPU.

Se a DE adaptativa tradicional se assemelha a um exército cujas táticas são centralmente coordenadas por um comandante, então o iStratDE se assemelha a um ecossistema. Alguns indivíduos estão naturalmente adaptados para exploração de longo alcance, enquanto outros são melhores na exploração localizada. Essa heterogeneidade não só fornece redundância contra a convergência prematura, como também permite contribuições assíncronas que mantêm a população avançando constantemente em direção a melhores soluções.

Por Que o iStratDE Funciona?

Apesar de sua simplicidade, o iStratDE apresenta um desempenho notável tanto no benchmark CEC2022 quanto nas tarefas de controle robótico com Brax. Dois mecanismos são especialmente importantes:

Elitismo implícito. Nem toda estratégia é adequada para todo problema, mas em uma população suficientemente grande, alguns indivíduos receberão configurações altamente compatíveis. Esses “elites” ascendem rapidamente e guiam a busca para regiões de alta qualidade.
Convergência assíncrona. Diferentes estratégias convergem em diferentes velocidades. Alguns indivíduos fazem avanços agressivos cedo, enquanto outros melhoram de forma mais estável depois. Essa diversidade no ritmo de convergência ajuda a prevenir o colapso prematuro da população em ótimos locais.

Vantagens Centrais do iStratDE

Ao introduzir diversidade de estratégias no nível individual, o iStratDE oferece vários benefícios importantes:

Extrema simplicidade estrutural. Remove arquivos históricos, módulos de aprendizado de parâmetros e hiperparâmetros extras, devolvendo à DE uma forma limpa e altamente reproduzível.
Excelente eficiência GPU. Graças ao seu design livre de comunicação, o iStratDE alcança aceleração quase linear em GPUs e pode gerenciar populações de mais de 100.000 indivíduos.
Melhor desempenho com populações maiores. Diferente de muitas variantes tradicionais de DE, que frequentemente sofrem gargalos de eficiência quando a população fica muito grande, o iStratDE se beneficia diretamente da escala: mais indivíduos significam maior diversidade, cobertura mais ampla de estratégias e desempenho de busca mais forte.
Suporte teórico. O resultado de convergência quase certa fornece uma base matemática sólida para esse design minimalista.

Detalhes de Implementação

O iStratDE integra fortemente a tensorização com a aceleração GPU. Sua eficiência vem de um distintivo design de bloqueio de comunicação: diferente dos algoritmos adaptativos que dependem de estatísticas centralizadas, as estratégias dos indivíduos no iStratDE são completamente independentes, eliminando requisitos de sincronização e se alinhando perfeitamente com o modelo SIMT da GPU.

Com o suporte do framework EvoX, o iStratDE pode evoluir eficientemente populações de mais de 100.000 indivíduos em paralelo. Essa independência tensorizada não só melhora o throughput para otimização em grande escala, como também permite ampla cobertura do espaço de busca através de exploração concorrente massiva.

Construção do Pool de Estratégias

Para criar diversidade na população, a equipe constrói um pool de estratégias com 192 configurações. Cada estratégia segue a forma DE/bl-to-br/dn/cs, e é composta por elementos modulares:

Vetor base esquerdo, selecionado de rand, best, pbest ou current
Vetor base direito, também selecionado de rand, best, pbest ou current
Número de vetores diferenciais, escolhido de {1, 2, 3, 4}
Esquema de cruzamento, incluindo cruzamento binomial, exponencial e aritmético

Além disso, o fator de escala F e a taxa de cruzamento CR de cada indivíduo são independentemente amostrados de U(0, 1). Através de diferentes combinações desses componentes, o iStratDE gera um amplo espectro de comportamentos de busca, desde altamente exploratórios até fortemente explotativos.

Visão Geral da Arquitetura

O iStratDE segue um fluxo de trabalho descentralizado extremamente simples:

Atribuição inicial. O sistema inicializa as posições da população e atribui aleatoriamente a cada indivíduo uma estratégia e um conjunto de parâmetros dedicados.
Evolução persistente. Durante o loop de otimização, cada indivíduo sempre realiza mutação e cruzamento de acordo com sua configuração atribuída. As soluções evoluem, mas as estratégias não.
Integração implícita. Como a população é grande e heterogênea, o iStratDE não requer coordenação adaptativa explícita. Surge uma divisão natural do trabalho: indivíduos orientados à exploração descobrem novas regiões, enquanto indivíduos orientados à exploração refinam soluções promissoras.

Fig. 1. Framework do iStratDE, ilustrando a inicialização, atribuição descentralizada de estratégias e evolução persistente.

Destaques Experimentais

Para avaliar o iStratDE em configurações genuinamente paralelas em grande escala, a equipe EvoX realizou experimentos sistemáticos sob um orçamento de tempo fixo, o que reflete melhor as condições reais de computação de alto desempenho do que a avaliação convencional com avaliações de função fixas.

Os experimentos incluem:

Testes de estresse com populações ultra-grandes, escalando até 100.000 indivíduos
Benchmarks CEC2022, comparando o iStratDE com variantes adaptativas convencionais de DE e os melhores métodos de competição em 60 segundos
Análise de escalabilidade populacional, mostrando que o iStratDE continua melhorando à medida que a população cresce enquanto os métodos tradicionais atingem um gargalo de escala
Tarefas de controle robótico, usando populações grandes para otimizar controladores neurais de alta dimensão em Brax

1. Benchmarks CEC2022 Sob um Orçamento de Tempo Fixo

Sob o mesmo orçamento de 60 segundos, os algoritmos adaptativos tradicionais permanecem restritos ao tamanho clássico de população de cerca de 100 devido à sua lógica serial e sobrecarga de sincronização. Em contraste, o iStratDE é projetado especificamente para execução SIMT em GPU e pode gerenciar eficientemente populações de 100.000 indivíduos.

Como resultado, o iStratDE realiza até 10^9 avaliações de função na mesma janela de tempo, alcançando aproximadamente 100x o throughput computacional dos métodos convencionais. Na maioria das funções de benchmark, essa combinação de estrutura minimalista e paralelismo massivo leva a maior velocidade de convergência e precisão final.

Fig. 2. Comparação de throughput de avaliações de função sob um orçamento de tempo fixo.

Fig. 3. Comparação de desempenho de otimização no benchmark CEC2022 de 10 dimensões.

2. Robustez em Paisagens de Alta Dimensão

A equipe avalia ainda o iStratDE em desafiadoras versões 200-dimensionais rotacionadas e deslocadas de Schwefel, Rastrigin e Ackley. Os métodos adaptativos tradicionais de DE como JADE e SHADE, assim como CMA-ES, sofrem fortemente com a maldição da dimensionalidade e frequentemente estagnam cedo.

Em contraste, o iStratDE mantém forte impulso de busca através de uma combinação de paralelismo em grande escala e diversidade de estratégias. Não só supera baselines especializados como CSO, mas também demonstra robustez competitiva contra MetaDE, um otimizador recente baseado em aprendizado em GPU. Em funções difíceis como Ackley, o iStratDE localiza com sucesso o ótimo global.

Fig. 4. Comparação de desempenho em problemas de benchmark deslocados e rotacionados de 200 dimensões.

3. Escalabilidade Populacional

Uma das descobertas mais marcantes é que o iStratDE quebra a suposição clássica de que simplesmente aumentar a população não continua melhorando a DE. Quando o tamanho da população cresce de 10^2 para 4 x 10^5, o iStratDE continua melhorando de forma constante, sem sinais claros de saturação.

Em contraste, os algoritmos adaptativos tradicionais de DE geralmente deixam de se beneficiar quando a população excede um limiar moderado, podendo até degradar devido à sobrecarga de sincronização. Esse resultado sugere que o iStratDE pode converter recursos computacionais adicionais diretamente em melhor desempenho de otimização.

Fig. 5. Análise de escalabilidade populacional do iStratDE com tamanhos de população crescentes.

4. Comparação com os Melhores Métodos da Competição CEC2022

Para testar o limite superior de desempenho, a equipe compara o iStratDE com os métodos melhor classificados da competição CEC2022, incluindo EA4eig, NL-SHADE-LBC e NL-SHADE-RSP. Sob orçamentos idênticos de avaliação de funções, o iStratDE permanece altamente competitivo apesar de sua estrutura muito mais simples. Em várias funções difíceis de 10D e 20D, alcança resultados comparáveis — ou melhores — do que essas baselines sofisticadas.

Fig. 6. Comparação do iStratDE com os métodos melhor classificados da competição CEC2022.

5. Aplicação Real: Controle Robótico com Brax

Finalmente, a equipe aplica o iStratDE a tarefas de controle robótico em Brax, incluindo Swimmer, Reacher e Hopper, onde o objetivo é otimizar controladores de redes neurais com aproximadamente 1.500 parâmetros.

Usando uma população de 10.000, o iStratDE é comparado com CMA-ES, CSO e variantes tradicionais de DE. Em tarefas como Swimmer e Hopper, o iStratDE descobre rapidamente políticas de alta recompensa e mostra convergência mais forte do que métodos como CMA-ES e LSHADE. Isso demonstra que o iStratDE não é apenas teoricamente elegante, mas também praticamente eficaz para otimização de caixa preta em alta dimensão.

Fig. 7. Curvas de convergência do iStratDE em três ambientes de controle Brax.

Conclusão e Perspectivas

O iStratDE é um retorno aos fundamentos algorítmicos. Em vez de empilhar lógica adaptativa cada vez mais complexa, constrói forte capacidade de busca a partir da diversidade de estratégias no nível individual. Ao liberar totalmente o potencial paralelo das GPUs modernas, o iStratDE revela o poder da diversidade estruturada na otimização multimodal e de alta dimensão.

Os resultados mostram que o iStratDE pode competir com — e em alguns cenários superar — as principais variantes adaptativas de DE tanto em benchmarks quanto em tarefas de controle do mundo real. De forma mais ampla, este trabalho destaca um princípio de design importante: a complexidade não é o único caminho para o desempenho; a heterogeneidade populacional pode ser, por si só, um poderoso motor de evolução.

Esse paradigma minimalista descentralizado abre uma nova direção para o design de algoritmos evolutivos. Em vez de depender de coordenação centralizada elaborada, demonstra como indivíduos independentes com comportamentos de busca diversos podem coletivamente gerar dinâmicas de otimização inteligentes e escaláveis.

Código Aberto / Recursos da Comunidade

Paper: https://arxiv.org/abs/2602.01147

GitHub: https://github.com/EMI-Group/istratde

Projeto Principal (EvoX): https://github.com/EMI-Group/evox

Grupo QQ: 297969717

QR code do grupo comunitário EvoX no QQ.