[发明专利]一种基于云计算的多目标群智能算法并行优化方法

说明书

本发明公开了一种基于云计算的多目标群智能算法并行优化方法，该方法通过将原有的单机版多目标群智能优化方法利用云计算中的GPU平台进行并行化，交叉选择变异操作在CPU上串行执行，种群个体的支配比较分配给GPU执行，降低了时间复杂度，从而减少了算法执行所需的时间。同时引入并行多目标群智能算法中的多岛屿模型，实现多个GPU并行化的多目标群智能算法的同时执行，通过迁移策略增加物种多样性，从而提高了算法的求解质量。对多岛屿模型采用云计算中的常用框架Spark进行具体实现，能够通过修改参数来增加岛屿数，具有高扩展性。

技术领域

本发明涉及群智能算法分布式并行的技术领域，尤其是指一种基于云计算的多目标群智能算法并行优化方法。

背景技术

多目标优化问题是一个多重标准的决策问题，问题中同时存在多个相互冲突的优化目标，导致不存在一个全局最优解使得所有的目标函数同时达到最优值，可以使用多目标群智能优化算法求解。理论上的全局最优解集称为真实帕累托解，通过进化算法等求得的解被称为近似帕累托解。目前已经有的多目标优化算法可以分为三类：基于Pareto的多目标群智能算法，基于指标的多目标进化算法和基于分解的多目标算法。由于群智能算法基于种群这一概念，种群的个体数量庞大，计算时间长，但天然支持并行化操作，本身就非常适合大规模并行。因此有很多多目标群智能算法的并行化模型如主从模型，岛屿模型被提出来去优化原始的串行算法，加快算法的运行速度。

近年来随着云计算的流行和广泛应用，访问和使用各种分布式计算资源变得越来越灵活和方便。Spark是云计算常用的大数据处理平台，同时也是一种天然的并行计算工具。它可以兼容Hadoop的文件系统以及使用Yarn，Standalone等调度器进行资源的分配和作业的调度。与Hadoop的MapReduce相比，Spark的中间计算结果是以RDD的形式缓存在内存中不用落到本地磁盘，节省了大量的IO。与OpenMP与MPI这些传统的并行计算平台相比，Spark自身就提供了调度器，并且可以集成其它调度器，使得资源的分配和管理更加方便。同时Spark基于RDD弹性分布数据集这种数据结构，依托自身的计算引擎提供了各种算子，不用人为去控制负载均衡以及各个工作节点之间的扩展，天然的适合粗粒度的并行多目标群智能算法。

云计算中的GPU平台是同时使用多种计算资源解决计算问题的一种方法。它的基本思想是用多个处理器来协同求解同一问题，即将被求解的问题分解成若干个部分，各部分均由一个独立的处理机来。图形图像处理器GPU就是一种可以用来做并行计算的多核处理器，相对于CPU。GPU没有复杂的流程控制等模块，集成了更多的计算处理核心，更加适合于大规模的密集计算。Nvidia在2006年发布了一种在GPU上进行通用并行计算的架构CUDA，基于CUDA能够利用GPU的并行计算引擎来高效处理各种计算问题。进化算法中利用了群体智能进行演化计算，每个个体都进行几乎同样的操作，天然适合GPU这种计算平台，从而减少计算时间。

发明内容

本发明的目的在于克服现有单机版本的多目标群智能算法的时间成本大和求解质量难以提高的缺点，提出了一种基于云计算的多目标群智能算法并行优化方法，先通过使用云计算常用平台GPU对单机版的多目标群智能算法进行并行化，缩短算法的运行时间，减少时间成本，再通过云计算常用平台Spark设计多岛屿模型，实现多个GPU并行化的多目标群智能算法的同时运行，通过岛屿模型来进一步提高算法的求解质量。

为实现上述目的，本发明所提供的技术方案为：一种基于云计算的多目标群智能算法并行优化方法，包括以下步骤：

1)对要解决的问题进行数学建模，转化为多目标优化问题，得到目标函数的数学表示；定义多目标群智能算法的个体表示方式，对问题的解向量进行编码，得到解向量到个体的多目标群智能算法个体的映射，使其满足目标函数的输入要求；

2)将所述目标函数替换多目标群智能算法的适应度函数，然后利用云计算中常用的平台GPU对多目标群智能算法进行主从模型的并行化实现，得到GPU并行化的多目标群智能算法；