[发明专利]基于人工蜂群算法的多维函数优化加速方法

说明书

本发明涉及农业数据处理技术领域，尤其为基于人工蜂群算法的多维函数优化加速方法，其方法包括如下步骤：为了评估ABC算法的性能，采用四个不同求极值的多维函数来测试ABC算法性能，利用CPU+DCU的异构架构模式，采用HIP异构语言的多线程技术并行优化，在DCU平台上，计算任务划分到不同的线程；本发明提高了ABC算法对多维函数求最优解的效率，相对于串行ABC算法和GPU‑ABC算法，该方法能够得到较好的性能，提高了对多维函数的运算效率，能够进一步高效处理农业农村发展带来海量数据，接下来将扩充到多个运算节点，同时，还可以进行向量化的优化方法，更加充分的发现算法中的并行性，最大程度地提升算法的执行效率。

技术领域

本发明涉及农业数据处理技术领域，具体为基于人工蜂群算法的多维函数优化加速方法。

背景技术

农业农村数据历史长、数量大、类型多，但长期存在核心数据缺失、数据处理质量不高、开发利用不够等问题，无法满足新时期农业农村发展需要。依托于超级计算、云计算等多种先进计算应用与分析方法的出现，为农业农村发展有效积累了海量数据处理的经验，为解决农业农村大数据发展面临的困难和问题提供了有效途径。

针对函数优化问题的传统优化算法，如进化计算、黄金分割法和多项式近似法等优化算法，已经无法满足现阶段农业农村大数据处理的需求，原因是其局部最优解的结果具有较大的局限性，并且数值之间的依赖性较强，需要并行性和随机性强的优化算法对数据进行优化处理，人工蜂群算法是一种群智能算法，该算法模拟了自然界中蜜蜂寻找最好蜜源的过程来寻找问题的最优解，具备预设参数少、实现简便、并行性强等优点，但是该算法对于多维函数的求解问题，该算法求解耗时过长，仍不能满足行业大数据处理需求。研发出先进大数据安全技术，保证农业农村核心数据的安全，确保满足新时期农业农村发展的需要。

发明内容

本发明的目的在于提供基于人工蜂群算法的多维函数优化加速方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：基于人工蜂群算法的多维函数优化加速方法，其方法包括如下步骤：

(1)关键函数：为了评估ABC算法的性能，采用四个不同求极值的多维函数来测试ABC算法性能，利用CPU+DCU的异构架构模式，采用HIP异构语言的多线程技术并行优化；

(2)任务划分：在DCU平台上，计算任务划分到不同的线程，线程对蜜源和蜂群的数目进行计算任务的划分；

(3)数据分布：使用共享内存来代替全局内存实现数据的存储与计算，在数据进行计算之前，先将即将计算的数据从全局内存读取到共享内存中，需要计算时从共享内存中直接读取，并将结果临时存在共享内存里，待计算完全结束后将最终的计算结果写回全局内存；

(4)同步操作：通过采用数据分布的方法，block里面的线程可以采用协同计算方式，建立线程之间的屏障，将线程都同步进行，在block内使用syncthreads函数创建屏障用于同步线程之间的运算；

(5)任务并行：经过任务划分、数据分布和同步操作对蜜源信息和适应度信息处理后，在DCU端实现数据的计算任务，在CPU端启动任务并行的函数，在DCU端执行并行任务；

(6)实验结果与分析：实验平台是采用混合异构的超级计算系统，使用调度系统对计算任务进行调度和管理，ABC算法的串行和优化后算法的最大迭代次数都设定为150次，最大循环次数设定为3000，局部寻找最优解的次数按照公式limit＝0.25*NP*D来计算。

优选的，所述步骤(1)中，四个不同求极值的多维函数具体为Sphere函数、Rosenbrock函数、Griewank函数和Rastrigin函数。