并行遗传算法综述.PDF

( ) 第 19 卷 第 1 期 暨 南 大 学 学 报 自然科学版 　　 Vol . 19 No . 1 　　　 ( ) 　　 1998 年 2 月 　　　 Journal of J inan U niver sit y Net ural Science 　　 　Feb . 1998 　 并行遗传算法综述 王大明　毛宗源 (华南理工大学自动化系 ,5 1064 1 ,广州) 关键词 : 　遗传算法 ;并行 ;进化算法 中图分类号 : 　TP18 遗传算法是一类基于自然选择和遗传学原理的有效搜索方法 ,许多领域成功地应用遗传 算法得到了问题的满意解. 虽然 GA s 通常能在合理的时间内找到满意解 ,但随着求解问题的 复杂性及难度的增加 ,提高 GA s 的运行速度便显得尤为突出. GA s 具有天然的并行性 ,非常适合于在大规模并行计算机上实现 ,而大规模并行计算机的 日益普及 ,为并行 GA s 奠定了物质基础. 实现 P GA s ,不仅要把串行 GA s 等价地变换成一种并 行方案 ,更重要的是要将 GA s 的结构修改成易于并行化实现的形式 ,形成并行群体模型. 并行群体模型对传统 GA s 的修改涉及到两个方面 :一是要把串行 GA s 的单一群体分成多 个子群体 ,分而治之 ;二是要控制 、管理子群体之间的信息交换. 不同的分治方法产生不同的 P GA s 结构. 这种结构上的差异导致了 P GA s 的三种基本模型 :全局并行模型、粗粒度模型和细 粒度模型. 1 　全局并行模型 全局并行模型是串行 GA s 的一种直接并行化方案 ,它只有一个群体 ,所有个体的适合度 都根据整个群体的适合度计算 ,个体之间可以任意匹配 ,因而在群体上所作的选择和匹配是全 局的. 功能划分 　GA s 对个体评价是独立的 ,个体之间无需通信 , 因此 ,通常由各处理机并行地 ( ) ( ) 评价群体中的个体 ,主机 主进程 负责选择 、重组和变异操作 ,而从机 从进程 负责函数的适 应值计算. 此外 ,也可以把交叉和变异操作交从机完成. 不过 ,这些操作都比较简单 ,而选择操 作需要了解整个群体的处机 ,这样 ,反而会增加主机从机之间传递个体的通信开销 , 降低系统 的性能. 通信 　主机与从机之间的通信表现在与个体评价有关的活动上. 主机将群体中的部分个 体发送到从机上 ,从机评价完个体之后 ,将它们的适应值发送给主机. 如果把交叉和变异也分 配给从机 ,则还需把子代发送到主机上. 通信方式 　大多数的全局模型都采用同步通信方式 ,待各从机把各个体的适应值送到主 机后 ,再由主机计算适应度 ,可方便地计算出个体的绝对适应度并作选择操作. 显然 ,这是一种 性能更佳的传统 GA s. 　收稿 日期 :1997 - 09 - 15 　第一作者 :男 ,1962 年出生 ,华南理工大学博士生 ,广东工业大学副教授 ;主要研究方向:计算智能、计算机应用 第 1 期 王大明等 :并行遗传算法综述 2 1 　 　　如果采用异步通信方式 ,则主机不等待较慢的从机 ,这种方式类似于 自然进化 ,但个体绝 对适应度的计算 , 以及如何进行选择操作则较为困难. 比较容易实现并行化的选择竞争匹配选 择. 研究表明 ,盲 目地增加从处理机数量 ,会导致通信开销急剧上升[ 1 ] . Cant u - Paz [2 ] 在对从 机数量与通信量的研究表明 ,存在着一个对最小化全局并行 GA s 执行时间的优化从机数. 全局模型易于实现 ,如果计算时间主要用在评价上 ,这是一种非常有效的并行化方法. 此 外 ,它