[发明专利]一种基于GPU加速的蚁群算法优化方法

权利要求书

1.一种基于GPU加速的蚁群算法优化方法，其特征在于，包括以下步骤： 

步骤1：初始化TSP问题定义数据，初始化蚁群参数； 

步骤2：定义两个GPU内核，所述的两个GPU内核为路径创建内核和信息素更新内核，并初始化所述的两个GPU内核； 

步骤3：路径创建内核将m只蚂蚁分别对应到GPU的m个工作组，一个工作组内设置了n个工作项，每个工作组内的n个工作项并行读取计算参数到工作组本地内存，m只蚂蚁并行进行路径创建，每只蚂蚁的路径创建又由工作组的n个工作项并行计算； 

步骤4：信息素更新内核第一次执行设置为n*n个工作项，并行对信息素数组进行挥发操作，第二次执行设置为与路径创建内核相同的工作组和工作项参数，通过原子操作方法并行更新所有蚂蚁走过路径的信息素； 

步骤5：重复执行步骤3和4直到达到设定的结束条件，GPU输出计算结果。 

2.根据权利要求1所述的基于GPU加速的蚁群算法优化方法，其特征在于：步骤3的具体实现包括以下子步骤： 

步骤3.1：每个工作项由一个二维的编号(b_id,t_id)表示，其中b_id为工作组编号，t_id为工作组内的工作项编号； 

步骤3.2：每个工作组内工作项并行读取其对应蚂蚁的n条数据，其中禁忌表、城市是否可访问数组读入到工作组本地内存，城市距离和信息素数组读入GPU全局内存； 

步骤3.3：每个工作项按照式一并行计算转移概率，计算结果保存到该工作组的本地内存数组P[n]={p₁,p₂,..,p_n}， 

  (式一) 

式中k是蚂蚁的编号，τ_i,j为城市i到j之间路径上的信息素值，η_i,j=1/d_i,j为启发式值，α和β是可配置参数，决定了信息素和启发式值对转移概率的影响，是蚂蚁k在i城市时可访问的城市； 

步骤3.4：采用并行轮盘赌算法进行转移城市选择； 

步骤3.5：将转移的城市记录到蚂蚁对应的禁忌表数组，并且设置城市是否可访问数组中该城市值为0； 

步骤3.6：重复执行所述的步骤3.2至步骤3.5，直到蚂蚁走过所有城市； 

步骤3.7：采用并行归约的方法并行计算蚂蚁走过路径的长度。 

3.根据权利要求2所述的基于GPU加速的蚁群算法优化方法，其特征在于：步骤3.4中所述的并行轮盘赌算法，其具体实现包括以下子步骤： 

步骤3.4.1：并行计算转移概率的前缀和； 

步骤3.4.2：并行计算随机值与转移概率之差的绝对值； 

步骤3.4.3：采用并行归约的方法寻找绝对值最小的城市。 

4.根据权利要求2所述的基于GPU加速的蚁群算法优化方法，其特征在于：步骤4的具体实现包括以下子步骤： 

步骤4.1：如果传递的功能参数编号为0，则按照下述式二并行计算信息素挥发后的值 

  (式二) 

其中ρ为小于1的正数，代表信息素挥发率，L为路径的集合； 

步骤4.2：如果传递的功能参数编号为1，更新蚂蚁走过路径上的信息素，其计算公式如下： 

  (式三) 

其中 

其中L_K为蚂蚁k走过路径的总长度，Q为常量；采用了浮点数原子加法操作，用来保证多个蚂蚁同时更新一条路径上的信息素时，数据不会被覆盖，而是正确累加； 

步骤4.3：从m只蚂蚁的路径长度中采用并行归约的方法寻找出路径最短的那只，然后把此蚂蚁走过的路径长度和禁忌表中记录的路径写进GPU全局内存。