并行计算在MOEAD-EGO算法中的应用.pdfVIP

2014年 5月 湖北文理学院学报 M ay,2014 第35卷第5期 JournalofHubeiUniversityofArtsandScience Vb1_35NO．5 并行计算在MOEAD／．EGO算法中的应用 马永格 ，吴 钊 (1．湖北文理学院 数学与计算机科学学院，湖北 襄阳441053； 2．中国地质大学 计算机学院，湖北 武汉 430074) 摘要：在MOEA／D—EGO算法中，当建模样本点集合元素太多和种群规模较大时，会导致算 法运行时间过长．为了减少 MOEA／D．EGO算法的运行时间，文章对 MOEA／D．EGO算法的建模 过程和种群优化过程同时并行化．在综合考虑实验条件限制的情况下，使用了基于主从式的并行 模型，模型在充分考虑计算机资源的使用效率与负载均衡等因素下，增加了主进程的任务，主进 程不仅需要为子进程分配计算任务、分发数据、进行算法配置、收集子进程返回的计算结果，还 需要参与子进程的任务 ，完成与子进程相 当量的计算任务．实验结果表 明文章 的并行 MOEA／D．EGO算法能有效求解多目标优化问题，且能够大幅缩短算法运行时间． 关键词：MOEA／D．EGO算法；并行计算；候选解；种群优化 中图分类号：TP301．6 文献标志码 ：A 文章编号：2095—4476(2014)05—0009—06 由于 MOEA／D—EGO[1]算法本身的以建模算法评价候选解策略和种群优化过程都是针对昂贵评价优化 问题所设计 ，在求解某些类别 的优化 问题上 已经是 目前的最优的算法．所 以，使用并行计算 2【J对 MOEA／D。EGO算法并行化，以此来减少算法运行时间是更加合理的途径． 近年来，在使用并行演化算法来缩短算法在多 目标优化问题上的求解时间，也被越来越多的学者所研 究．在 2011年D．Logofatu和M．Gruber[3]结合MapReducet】与多 目标演化算法用于数据压缩实例求解，并将 算法应用于超大规模集成电路中寻找最小测试集的问题中，该框架仅适用于含大数据处理的优化问题． 2013年李晖教授L5J提出了一种新型的基于主从模式的并行演化算法大幅度的缩短了演化算法在继电器参 数优化问题中的计算时间．2013年Si．JungRyu，Jong—HwanKim6[1则针对在多 目标量子演化算法中，基于非 支配排序和拥挤距离分配计算时间过长的问题，使用了 GPU 的分布计算能力，但是算法仅适用于基于 Pareto前沿的多 目标演化算． 研究资料表明，在很多并行计算系统中，计算结点的CPU平均利用率仅达 9％}7J．通过实验分析，本 文发现在MOEA／D—EGO算法的运行过程中，计算系统中的资源至少有 1／3到2／3的时间是空闲的，利用 这些空闲的处理能力并行求解较大的计算问题或者并行执行多个作业，可以大大缩短问题的求解时间． 1 MOEAD／．EGO并行性分析 在MOEA／DEGO算法中，主要有种群初始化、候选解评价、种群优化过程三个大的部分，种群初始 化和种群优化过程是基于MOEA／D算法 J框架，候选解评价则是基于EGO算法 J中的预测模型DACE模 型L1叫(高斯随机过程模型)来评价候选解．所以，针对MOEA／D和EGO算法，其并行化分析如下： 1)在EGO算法中，用高斯随机过程建立 DACE模型的过程，每个 目标都需要建立一个DACE预测模 型，而在建模过程中，需要涉及到大量的矩阵运算，通过MOEA／D—EGO时间测试表 4．5所示，每次建模 都需要花费大量时间．而在建模过程中每个 目标的预测模型都是相互独立的，不难看出，在建模这个层次 上，可以将每个 目标的模型用分别在不同的进程中创建，最后将待评价的候选解分别在两个不同的进程中 收稿 日期：2014—03—03；修订日期：2014—04一O1 基金项目：国家 自然科学基金重点项~；国家 自然科学基金面上项 目61172084)；湖北省 自然科学基金项I~I(2013CFC026)；湖 北省科技支撑计划项 目(2013BHE022) 作者简介：马永格(1987