[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

权利要求书

1.一种基于云计算的多目标群智能算法并行优化方法，其特征在于，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为多目标群智能算法的适应度函数，然后利用云计算中的GPU平台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，包括以下步骤：

2.1）CPU处理器作为主从模型中的主处理器，负责多目标群智能优化算法的运行流程控制，将多目标群智能算法的种群更新操作交由CPU进行计算，其中，所述种群更新操作包括选择、交叉和变异；

2.2）在CPU和GPU上分配内存，内存大小大于或等于多目标群智能算法整个种群的大小，将经过更新操作的种群复制到CPU的HOST内存，再由CPU复制到GPU的Device内存上；

2.3）种群复制到GPU上后，种群的每一个个体被分配到GPU的一个核心上，每个核心启动一条线程执行内核函数，内核函数将进行当前个体与整个种群的对比，遍历整个种群寻找能支配当前个体的个体，若找到，将当前个体标记为被支配，找不到则标记为未支配，标记结果存放在GPU的Device内存上，GPU的所有核心并行执行上述过程；

2.4）将GPU的Device内存上的标记结果拷贝回CPU的HOST内存，CPU对标记结果进行判断，删除被支配的个体，构造非支配解集；

3）利用云计算中的Spark平台实现多岛屿模型，Spark启动与岛屿数目相同个数的Executor，每个Executor代表一个岛屿，每个岛屿上运行着一个步骤2）所述GPU并行化的多目标群智能算法；

4）定义多岛屿模型中的迁移策略，包括迁移拓扑、迁移个体和迁移周期；

5）初始化步骤2）所述GPU并行化的多目标群智能算法和步骤3）所述Spark实现的多岛屿模型所需的所有参数，得到基于云计算的并行多目标群智能优化算法；

6）执行所述基于云计算的并行多目标群智能优化算法，当该算法进化达到迁移周期时执行多岛屿模型的迁移策略，达到迭代次数时终止算法执行，汇总各个岛屿上的种群进行非支配集构造得到最终的求解结果，即近似帕累托解；

执行所述基于云计算的并行多目标群智能优化算法的具体步骤如下：

6.1）当前岛屿上的GPU并行化的多目标群智能算法达到迁移周期后，执行迁移策略；首先，要对当前的种群RDD采用Spark的cache算子进行持久化保存；将迁移个体通过Spark的Aggregate聚合算子迁移到Driver端，存放在一个Map数据结构里，其类型为Map[Int, List[Individual]]，第一个Int类型的参数代表岛屿的编号，表示当前的迁移个体来自哪个岛屿的种群，List[Individual]表示迁移个体列表；之后通过Spark的Broadcast广播变量的方式将这个数据结构广播到每个岛屿上；将当前岛屿的种群替换为对应的迁移个体，继续执行进化；

6.2）当所有岛屿上的GPU并行化的多目标群智能算法达到进化代数后，采用Spark的Collect算子将所有岛屿上的种群收集到Spark的Driver节点，以数组的形式保存后合并；

6.3）对合并后的种群进行个体间的支配关系判断，构造非支配解集，得到最后的求解结果，即近似帕累托解。

2.根据权利要求1所述的一种基于云计算的多目标群智能算法并行优化方法，其特征在于，在步骤3）中，利用云计算Spark平台实现多岛屿并行模型，Spark启动与岛屿数目相同个数的Executor，将种群以RDD的方式分发到Spark的不同的Executor，采用Spark提供的mapPartitionsWithIndex算子的方式在每一个Executor上执行步骤2）所述GPU并行化的多目标群智能算法的进化过程。