[发明专利]一种合作协同差分进化方法和装置

说明书

本发明提供了一种合作协同差分进化方法和装置，通过获得高维问题；通过随机分组方法将所述高维问题分解成多个低维子问题，其中，所述每个低维子问题对应一个子种群；在云平台的主控结点上，利用Spark的弹性分布式数据模型，对每个低维子种群进行分布式求解；利用协同机制合并所述低维子种群，获得高维种群的完整解。解决了现有算法不能在有效时间内求解高维优化问题，缺少具有优势的为大规模优化问题进行求解方法的技术问题。达到针对大规模优化问题，利用CC的优势结合云计算分布式计算优势，提出了一种新的基于Spark的合作协同差分进化算法，提高了CC框架的收敛速度，具有求解精度高，速度快，可扩展性好的技术效果。

技术领域

本发明涉及高维优化技术领域，尤其涉及一种合作协同差分进化方法和装置。

背景技术

差分进化算法(Differential Evolution，DE)是一种基于实数编码的全局优化算法，因其简单、高效以及具有全局并行性等特点，近年来已成功应用到工业设计和工程优化等领域。研究人员对DE算法进行了改进和创新并取得了一些成果。比如Brest等人构造了控制参数的自适应性方法并提出了自适应DE算法(jDE)。Wang等人提出了复合DE算法(CoDE)，其将精心选择的三种变异策略和三组控制参数按照随机的方法进行组合。这些研究成果主要集中于低维问题(30维)，然而当面向高维问题(1000维)时，这些DE算法的性能将急剧下降，而且搜索时间随着维数成指数增长，求解极为困难，“维灾难”问题依然存在。为了有效求解高维优化问题，学者们提出不同的策略，其中具有代表性的是协同进化(CooperativeCoevolution，CC)。研究人员已将CC应用到多个领域，如大规模黑盒优化问题、SCA问题、FII算法、CCPSO算法、DG2算法，然而它们在求解高维优化问题时，采用串行方式求解，因此，问题求解需要较长的计算时间，很难在有效时间内提供满意的解。近年来云计算已应用到大规模信息处理领域中，获得了成功。因此，有必要将云计算的分布式处理能力与CC的优势相结合，为大规模优化问题的求解提供新方法。

但本发明申请人发现上述现有技术至少存在如下技术问题：

现有技术中的算法不能在有效时间内求解高维优化问题，缺少具有优势的为大规模优化问题进行求解的方法的技术问题。

发明内容

本发明实施例提供了一种合作协同差分进化方法和装置，解决了现有技术中的算法不能在有效时间内求解高维优化问题，缺少具有优势的为大规模优化问题进行求解的方法的技术问题。

鉴于上述问题，提出了本发明实施例提供了一种合作协同差分进化方法和装置。

第一方面，本发明提供了一种合作协同差分进化方法，所述方法包括：获得高维问题；通过随机分组方法将所述高维问题分解成多个低维子问题，其中，所述每个低维子问题对应一个子种群；在云平台的主控结点上，利用Spark的弹性分布式数据模型，对每个低维子种群进行分布式求解；利用协同机制合并所述低维子种群，获得高维种群的完整解。

优选的，所述在云平台的主控结点上，利用Spark的弹性分布式数据模型，对每个低维子种群进行分布式求解，包括：通过Parallelize方法对所述子种群进行并行初始化；将并行初始化后的子种群采用“键-值”的方式存放在内存中；根据keyi值将子种群分区保存在不同的主控结点上；利用RDD的并行操作算子对各子种群并行进化。

优选的，所述利用RDD的并行操作算子对各子种群并行进化，包括：每个分区中的子种群并行执行DE算法的变异、交叉、选择操作，获得第一轮计算的最优个体；所述子种群在计算个体适应度值时，选取第一轮的最优个体合和所述子种群组成完整的种群并进行局部寻优。

优选的，所述利用协同机制合并所述低维子种群，获得高维种群的完整解，包括：通过collect算子将并行进化后的各子种群合并生成新种群；获得每个所述低维子问题在所述高维问题的位置信息；按照所述位置信息合并成新种群，并通过全局搜索获得高维种群的完整解。