并行遗传算法的研究及应用进展[权威资料].docVIP

并行遗传算法的研究及应用进展 　　摘要：并行遗传算法（PGA）将并行计算机的高速并行性和遗传算法天然的并行性相结合，极大地促进了遗传算法的研究与应用。该文对近年来并行遗传算法的模型、性能分析、算法改进、实现平台进行了归纳和评述，并且对并行遗传算法今后的主要研究方向和发展前景进行了展望。 　　关键词： 遗传算法；并行遗传算法；并行模型 　　TP301 A 1009-3044（2014）10-2347-04 　　Abstract： Parallel Genetic Algorithm（PGA） combines High-speed parallel computer and natural parallelism of parallel genetic， which greatly promotes the research and application in genetic algorithm. The recent research developments in PGA models， performance analysis， algorithm improvement， and implementation platform are summarized and reviewed， and the development trends and application perspectives of PGA in the future is also discussed. 　　Key words： genetic algorithm； parallel genetic algorithm； parallel model 　　并行遗传算法（PGA）作为GA的一个重要分支，得到了越来越多专家们的重视。PGA正成为GA中的一个重要研究方向。近年来，对于PGA的理论和应用研究，许多计算机科学家做了大量的工作并取得了一定的成果。并行遗传算法将并行计算机的高速并行性和遗传算法的天然并行性相结合，不仅提高了求解速度，而且由于种群规模的扩大和各子种群的隔离，减少了未成熟收敛的可能性，提高了求解质量。 　　1 传统并行遗传算法模型 　　实现PGA，需要对传统GA进行修改：一是要把串行GA的单一种群分成多个子种群，分而治之；二是要控制、管理子种群之间的信息交换，不同的分治方法产生不同的PGA结构[1]。传统并行遗传算法模型[2][3]包括：主从式模型、细粒度模型、粗粒度模型、混合模型。 　　1.1 主从式模型 　　主从式模型是遗传算法的直接并行化方案，不改变遗传算法的基本结构特点。在主从式模型中，遗传算子包括选择算子、交叉算子、变异算子以及其它高级算子都并行应用于单一种群，所有的并行处理都在单一种群内部进行。主从式模型易于实现，保留了简单遗传算法的搜索行为，可以直接应用于简单的遗传算法中。 　　1.1.1 选择算子 　　在遗传算法中，选择算子[4]的核心思想就是优胜劣态，适应度高的个体进入下一代种群的概率大；适应度低的个体进入下一代种群的概率小。根据各个个体的适应度，按照一定的规则或方法进行实际的选择，用来确定重组或交叉个体，以及被选个体将产生多少个体代个体。计算适应度可以采用按比例或基于排序的适应度计算，进行实际的选择可采用轮盘赌选择法、随机遍历抽样法、局部选择法和锦标赛选择法等。 　　1.1.2 交叉算子 　　在遗传算法中，交叉算子[5]就像人类社会的婚姻过程，交叉又称为基因重组，是结合来自父代交配种群中的信息产生新的个体，对每一对个体.以某个概率（称为交叉概率）交换它们之间的部分染色体。依据编码表示方法的不同，有实值交叉和二进制交叉操作。 　　1.1.3 变异算子 　　变异算子[6]是对群体中的每一个个体，以某一概率（称为变异概率）改变某一个或某一些基因座上的基因值为其他的等位基因。针对不同的编码方案，常用的编译操作有实值变异和二进制变异。 　　1.2 细粒度模型 　　当并行计算机系统的规模很大，处理器多到可以与染色体一一对应，即每一处理器上驻扎一个染色体时，可以采用细粒度模型的并行遗传算法。由于对处理器数量的要求很高，所以细粒度模型的应用范围不广，一般只运行于大规模的并行计算机。 　　1.3 粗粒度模型 　　粗粒度并行遗传算法被称作分布式模型或孤岛模型。在粗粒度模型中，各个子群体在不同的处理器上相互独立的执行进化操作，每经过一定的进化代，各子群体间会交换若干的个体以引入其它子群体的优秀基因。粗粒度模型的通信开销较小，可获得接近线性的加速比，适合运行在通信带宽较低的集群系统上。在粗粒度模型