分布式进化计算分布式群体智能计算与应用.ppt

* 应用2 软件工程优化 * 应用3 数据分析 特征提取 聚类 时间序列分析 …… 以1700-1960的太阳黑子数据为训练集，预测1961-2010的数据 脑电数据 * 主 要 内 容 分布式群体智能计算 群体智能计算应用 研究方向 群体智能计算简介 一 二 三 四 * 研究方法 发现问题 解决问题 实践检验 新的问题 科学问题 参数与执行策略的选择 并行处理 连续/离散域的适用性 应用检验 电路设计 无线传感器网络 其他...... 算法研究 自适应进化计算 并行进化计算 进化计算求解空间拓展 应用需求 运用进化计算优化 电路设计 * 研究方向 群体智能计算基础研究 大规模、分布式群体智能计算方法 群体智能计算应用研究 云计算资源管理 基于搜索的软件工程 数据与大数据分析 物联网与无线传感器网络 …… * 实验室理念 敬业乐群、共同成长 * 学术交流 举办学术活动 参与国际学术会议 国际学术联系 * 谢 谢！ * * * * * * 1 实验归纳、2 理论推导 、 3 仿真模拟 4、 数据推动 * * 1 实验归纳、2 理论推导 、 3 仿真模拟 4、 数据推动 * 1 实验归纳、2 理论推导 、 3 仿真模拟 4、 数据推动 * * 研究背景与意义 大规模分布式群体智能计算 群体智能计算 高性能计算环境 优势：强大的全局优化能力 优势：提供强大的计算能力 群体智能计算内在的并行分布特性 * 研究背景与意义 目的 提高群体智能方法解决大规模、高时耗优化问题的能力 提高分布式群体智能计算方法的效率 并行分布式算法的评价标准 加速比和效率 理想状态：T并行 = T串行/P 实际加速比：S = T串行/T并行 效率E=T串行/（p*T并行） 可扩展性 若增加进程数，而输入规模也以相应的增长率增长的情况下，程序的效率保持为E，则称程序是可扩展的 * 分布式进化计算的关键问题 计算层：计算和通讯过程如何组织？ 并行模型 问题层：如何对大规模问题降维处理？ 问题解耦 平台层：选择哪种分布式计算环境？ 并行环境 * 1 并行环境 超级计算 云计算 计算机集群 GPU P2P网络 * 2 问题解耦：如何实现问题降维 解耦目的 减少优化问题维度、降低大规模问题的优化难度 解耦的基本思想 尽可能介绍解耦后各个子问题之间的关联性 两个关键问题 如何解耦？ 如何将大规模问题分解为多个低维子问题 如何协同？ 各部分子问题如何协同进化、优化 * 2 问题解耦 处理器集合1 目标1 目标2 目标N 多目标问题 处理器集合2 处理器集合N 解 组 装 计算分拆 目标分拆 处理器集合1 子问题1 子问题2 子问题N 高维问题 处理器集合2 处理器集合N 解 组 装 计算分拆 维度分拆 * 2 问题解耦 基于具体问题的特点进行解耦（Problem-specific） 功率电路优化问题 PCA为 一个子问题 FN为另 一个子问题 主要不足：仅适用于具体特定问题 * 2 问题解耦 随机分组（IEEE Trans. on EC, 2011） 在不清楚给维度关系的情况下，通过随机性提高准确分组的机会 变量随机分组 分组数随机选定 主要不足：随机分组准确性较低 * 2 问题解耦 差分分组（IEEE Trans. on EC, in press） 将相关的变量尽可能分在同一组 若 则认为这两个变量之间是不相关的 不相关的情况 相关的情况 主要不足：差分判断需要较大计算量 但单次判断只能基于一个初始点 * 2 问题解耦 多目标拆分 * 2 问题解耦 协同进化框架（Cooperatively Coevolution） 任务协同 资源协同 * 2 问题解耦 协同进化框架（Cooperatively Coevolution） 特点：进化一个子问题，其他部分固定，定期交流通讯 存在问题：计算量问题、通讯问题、同步/异步问题 * 3 并行模型：主从模型 特点 当适应值评价时间>>通讯时间时，算法效率越高 主从之间频繁通讯，主节成为瓶颈 主节点（Master） 存储整个种群 执行整个算法的各个算子操作(如选择、交叉、变异等) 从节点（Slaves） 适应值评估 局部搜索 通讯规则 只发生在主从节点之间（slaves之间不进行通讯） * 3 并行模型：岛屿模型（粗粒度） 特点 能更好地体现算法的并行分布特性，并提高算法全局搜索能力 对岛屿的数目和通讯方式敏感，可拓展性受限 岛节点（Island） 存储一个子种群 在子种群上执行整个子算法的各个算子操作 与其他岛进行消息传递 通讯规则 发生在岛与岛