AscendMOEA开源:让多目标优化从CPU原型走向昇腾实验

English

西北农林科技大学11月11日宣布AscendMOEA开源。项目将多目标演化算法纳入统一张量计算框架,支持CPU开发与昇腾NPU实验;代码公开可核验,工程部署成效与通用加速幅度尚不能由发布公告推定。

AI生成的写实概念图:计算设施与铁路编组场的组合象征复杂调度优化

一项面向昇腾算力的多目标优化工具已经有了公开代码入口。西北农林科技大学11月11日发布公告,介绍该校党乾龙团队联合阮俊虎、澳门城市大学朱天清等研究者开发的AscendMOEA平台。公告称平台近日正式开源,但未给出精确到日时的首次开源时间;11月12日的媒体跟进不应被写成另一次新发布。[A1][A3]

现实中的调度问题往往没有一个不带条件的“最好答案”。更低成本可能伴随更长等待,更高设备利用率也可能压缩应急余量。多目标优化的价值,是帮助决策者寻找并比较不同取舍;最终采用哪种方案,仍取决于约束条件和实际任务。

公开仓库将AscendMOEA定位为基于统一PyTorch张量执行模型的多目标演化优化平台,支持通用CPU和华为昇腾NPU。其1.0.0版本说明列出18个算法、155个基准或现实问题、19个公开种群算子与11个质量指标。种群操作与问题评估以批量方式组织,使算法、设备和实验管理能够进入同一套工作流。[A2]

项目提供CPU安装命令以及实验、绘图等依赖选项。校方同时公布了文档和配置指南入口。本次核验确认仓库可公开访问,未完成本地安装、昇腾运行或性能复现;因此,代码公开与说明文档可查,是能够确认的进展,不能据此推导所有任务都能获得相同比例的加速。[A1][A2]

对研究团队而言,统一框架的实际价值可能先体现在比较是否公平:候选算法是否使用同样的评估预算,计时是否计入设备同步,结果是否在多次运行中稳定。若这些条件没有对齐,更短的一次运行并不足以说明方案更好。

工程团队还需要把问题建模的成本算进去。一个公开测试问题能运行,不代表它已经覆盖某条生产线的设备限制、某座城市的实时数据或突发事件中的资源边界。铁路调度和应急分配可以说明应用方向,却不是本次公告已经完成的部署业绩。

此次选题的确定性在于大学公布开源进展,且项目仓库提供了可供外部检查的实现和使用入口。中国科学报11月12日跟进了这一事件;该报道并不构成对性能结果的独立复现。[A1][A2][A3]

接下来更值得关注的证据,是不同团队在可说明的硬件、数据规模和约束下,能否重复得到更好的时间与解质量组合。开放工具为这种检验提供了起点,结论仍应由可复现的实验和具体工程结果来补全。

来源:

  1. [A1] 西北农林科技大学公告|2026-11-11

  2. [A2] AscendMOEA公开代码仓库|本次核验2026-11-13

  3. [A3] 中国科学报/科学网|2026-11-12 16:26