2024年7月18日，在澳大利亚墨尔本举行的2024年遗传与演化计算大会（The Genetic and Evolutionary Computation Conference, GECCO 2024）上，我校计算机科学与工程系副教授程然课题组论文《Tensorized NeuroEvolution of Augmenting Topologies for GPU Acceleration》获最佳论文奖。该论文第一作者为计算机系23级硕士研究生王力爽，程然副教授为通讯作者。

获奖证书

增强拓扑神经演化算法（NeuroEvolution of Augmenting Topologies Algorithm, NEAT）在人工智能、机器人控制、自动驾驶等领域产生了重要影响，然而面对大规模问题时，传统NEAT算法在计算效率上的局限性逐渐显现。程然带领团队研发了TensorNEAT算法库。通过张量化技术，NEAT及其衍生算法（包括CPPN、HyperNEAT）能够全面支持GPU加速。

针对NEAT算法的张量化方法

张量化（tensorization）作为一种将数据结构和运算符转换为张量形式的技术，特别适合在GPU上进行高效的并行计算。TensorNEAT将NEAT算法中多变的网络拓扑结构统一转换为张量形式，实现了NEAT算法中的关键操作在整个种群上并行执行，显著增强了算法的计算效率。实验结果表明，与传统的NEAT算法相比，TensorNEAT在不同任务和硬件上的速度提升高达500倍以上。

据悉，遗传与演化计算大会（The Genetic and Evolutionary Computation Conference，GECCO）由ACM SIGEVO主办。自1999年首次举办以来，GECCO已经发展成为演化计算领域的旗舰会议，其学术水平和影响力在国际上备受认可。GECCO每年汇聚全球顶尖的研究人员和学者，交流和展示在演化计算方面的最新研究成果。

供稿：计算机科学与工程系

通讯员：潘伟英