计算机与应用化学
計算機與應用化學
계산궤여응용화학
COMPUTERS AND APPLIED CHEMISTRY
2015年
1期
1-8
,共8页
多目标%进化算法%CUDA%GPU%并行计算
多目標%進化算法%CUDA%GPU%併行計算
다목표%진화산법%CUDA%GPU%병행계산
Multi-objective%evolutionary algorithms%CUDA%GPU%parallel programming
传统的多目标进化算法多是基于Pareto最优概念的类随机搜索算法,求解速度较慢,特别是当问题维度变高,需要群体规模较大时,上述问题更加凸显.这一问题已经获得越来越多研究人员以及从业人员的关注.实验仿真中可以发现,构造非支配集和保持群体多样性这两部分工作占用了算法99％以上的执行时间.解决上述问题的一个有效方法就是对这一部分算法进行并行化改造.本文提出了一种基于CUDA平台的并行化解决方案,采用小生境技术实现共享适应度来维持候选解集的多样性,将多目标进化算法的实现全部置于GPU端,区别于以往研究中非支配排序的部分工作以及群体多样性保持的全部工作仍在CPU上执行.通过对ZDT系列函数的仿真结果,可以看出本文算法性能远远优于NSGA-Ⅱ和NPGA.最后通过求解油品调和过程这一有约束多目标优化问题,可以看出在解决化工应用中的有约束多目标优化问题时,该算法依然表现出优异的加速效果.
傳統的多目標進化算法多是基于Pareto最優概唸的類隨機搜索算法,求解速度較慢,特彆是噹問題維度變高,需要群體規模較大時,上述問題更加凸顯.這一問題已經穫得越來越多研究人員以及從業人員的關註.實驗倣真中可以髮現,構造非支配集和保持群體多樣性這兩部分工作佔用瞭算法99％以上的執行時間.解決上述問題的一箇有效方法就是對這一部分算法進行併行化改造.本文提齣瞭一種基于CUDA平檯的併行化解決方案,採用小生境技術實現共享適應度來維持候選解集的多樣性,將多目標進化算法的實現全部置于GPU耑,區彆于以往研究中非支配排序的部分工作以及群體多樣性保持的全部工作仍在CPU上執行.通過對ZDT繫列函數的倣真結果,可以看齣本文算法性能遠遠優于NSGA-Ⅱ和NPGA.最後通過求解油品調和過程這一有約束多目標優化問題,可以看齣在解決化工應用中的有約束多目標優化問題時,該算法依然錶現齣優異的加速效果.
전통적다목표진화산법다시기우Pareto최우개념적류수궤수색산법,구해속도교만,특별시당문제유도변고,수요군체규모교대시,상술문제경가철현.저일문제이경획득월래월다연구인원이급종업인원적관주.실험방진중가이발현,구조비지배집화보지군체다양성저량부분공작점용료산법99％이상적집행시간.해결상술문제적일개유효방법취시대저일부분산법진행병행화개조.본문제출료일충기우CUDA평태적병행화해결방안,채용소생경기술실현공향괄응도래유지후선해집적다양성,장다목표진화산법적실현전부치우GPU단,구별우이왕연구중비지배배서적부분공작이급군체다양성보지적전부공작잉재CPU상집행.통과대ZDT계렬함수적방진결과,가이간출본문산법성능원원우우NSGA-Ⅱ화NPGA.최후통과구해유품조화과정저일유약속다목표우화문제,가이간출재해결화공응용중적유약속다목표우화문제시,해산법의연표현출우이적가속효과.
