基于CUDA的图顶点着色问题的并行遗传算法研究.docVIP

　　基于CUDA的图顶点着色问题的并行遗传算法研究 第 1 章 绪论 1.1研究背景及意义 图着色问题(Graph Coloring Problem, GCP)是图论中的经典问题。图论(GraphTheory)在离散数学学科中处于核心地位[1]，其以图作为研究目标，许多实际问题都可通过图论抽象成图着色问题。图论中的图由若干个顶点及其连边构成，通常将物质生活中的诸多事物间的联系都能映射到图中：采用顶点表示事物，连边表示两个事物之间的联系，故而应用广泛。图的顶点着色问题同时也是一个重要的组合优化问题。组合优化问题广泛存在于运筹学[2]、数学[2]、生物学[4]、化学系统[5]、计算机系统[6]等等方面。因而，研究图着色问题对解决组合优化问题关系重大。随着近两百来年的发展，图着色问题的研究与应用已经延伸到了许多交叉学科比如管理科学[7]、计算机科学[8]、分子物理学[9]、生物学[10]等等方面，图着色问题在理论和实践方面的应用兼并，在工程领域内，比如任务调度[11]、寄存器分配[12]、电子电路[13]等等方面应用广泛[14]。图着色问题是个典型的 NP-完全问题[15]，在图论学科里中是重要基石。图着色问题它是给地图上任意两个相邻区域分配不同的颜色，该问题有两个条件需同时成立：(1)分配的颜色数为 k;(2) 相邻区域分配的颜色不同。若使用 k 种颜色对图 G 能够进行着色，则称图 G 是 k-点可着色。若图 G 是 k-点可着色且(k-1)不可着色，则称图 G 是 k-色图，k 称为图 G 的着色数，简记为 X(G)。 .. 1.2研究现状 图着色问题的常见求解方法有两类：一类是精确算法，他们在解空间较小的时候通过对解空间进行完整的搜索，可以找到最优解，另外一类就是近似算法，它们舍弃了搜索整个解空间的巨大代价，退而求其次，找到全局最优解，近似算法中比较典型的是超启发式算法，而如今为增强寻找最优解的能力，多种混合式启发算法也被提出。精确算法在求解最优解的过程中体现出了数学的严谨性。这类算法的优点是能够获得比其他算法更加优越的解。精确算法有在 1979 年 D Breacute;laz 等人提出的基于对比图的结构和顶点度的精确算法[16]，在 1985 年 M. Kubale 等提出的隐式枚举算法[17]，在 1991 年 Sager T J, Lin S J 提出的裁剪搜索树的算法[18]，在 1995 年A Mehrotra, MA Trick 提出的基于列生成法的图着色算法[19]，在2008年Meacute;ndez-Diacute;az, P. Zabala 提出的割平面算法[20]等。这类算法特点是只能在问题规模较小的时候效果较好，但是当问题的规模一旦变大，精确算法却无法避免指数爆炸问题除了精确算法外，对于 NP 完全问题，我们还有一类近似算法，它们一般都是先从一个粗略的解开始，通过在其领域范围内反复搜索对比替换，得到次优解，慢慢的向最优解靠拢。早期的近似算法有模拟退火算法、蚁群算法、禁忌搜索算法、粒子群算法、人工神经网络算法等，这类算法被称作超启发式算法，这类超启发式算法能够有效解决 NP 完全问题求解规模大难以找到最优解的特点，如今为了增强超启发算法搜索能力而出现了许多混合式超启发式算法。就国内而言，在 2010 年，韩丽霞，王宇平等人提出了基于有序划分编码的图着色算法，其是对于整数编码带来的冗余性而提出的一种新型编码方式[21]。 . 第 2 章 遗传算法和 CUDA 技术简介 2.1 遗传算法的介绍 遗传算法（Geic Algorithm）是根据达尔文的生物进化论而提出来的一种随机搜索算法，遗传算法区别于一般的随机算法，它本身具有动态适应的特点，在一代代的进化中能够搜索到最优解。在 1940 年初，就有人探索借助计算机从生物学的角度模拟物种的进化过程，但是真正首次提出遗传算法这个概念的还是在1967 年，当时执教于美国密执安大学的 J.Holland 教授所带的学生 J.D.Bagley 在其论文中第一次提及 遗传算法 这一概念，再此之后，Holland 又指导过学生发表过多篇有关遗传算法的论文，而后的 1975 年，Holland 出版了一本系统的介绍遗传算法的书籍《Adaptation in Natural and Artificial Systems》[34],这本书的发表被世人当做是遗传算法的元年，进入八十年代以后，遗传算法的正是得到蓬勃发展，在 K.A.De Jong[35]戈尔德贝尔格[36]等人的不懈努力下，如今的遗传算法已经相当成熟。遗传算法是一类模仿自然选择的超启发式算法，它属于进化算法的一个分支，在系统发生学，工程，经济，化学，制造，数学，物理，生命科学等等方面应用广泛。在进入下一章节前，为