一种基于粗粒度—主从式的混合并行遗传算法

为了解决串行遗传算法的收敛速度和早熟问题 ,人们开始研究遗传算法的并行执行 ,并取得了很好的结果。本文提出了一种基于分布式集群环境的层次结构 (粗粒度—主从式 )的并行遗传算法—混合并行遗传算法。仿真表明 ,采用混合并行遗传算法可以有效的提高优化的速度和解的精度。

基于MPI的主从式并行遗传算法框架

遗传算法是一种求解复杂系统优化问题的有效工具.其本身具有的固有并行性,在并行系统构架下有着非常广阔的应用前景。本文对D.L.Carroll的“遗传算法驱动”进行了改进,加入对当前通用消息传递接口MPI的支持,形成了一个可重用的主从式并行遗传算法框架。并且,针对该框架使用通用遗传算法测试函数,在由两台双至强处理器的工作站组成的COW集群上进行了测试。该框架使不具有并行程序设计经验的用户,可以很方便的构造并行遗传算法程序。

基于Internet网络的主从式并行遗传算法及其在叶栅优化中的应用

为了解决遗传算法在优化中由于适应度评价很费时而导致计算时间过长的问题 ,本文发展了一种基于In ternet网络实现的主从式并行遗传算法。在函数优化的测试实验中 ,通过控制待优化函数适应度评价的时间 ,验证了主从式模型在适应度评价很费时且远远超过通讯时间时将获得接近于线性的加速比 ,讨论了主从式并行遗传算法应用于气动性能优化中的可行性。通过二维叶栅的优化算例 。

多核计算环境下改进的主从式并行遗传算法

遗传算法作为通用而有效的全局搜索算法已在图像处理、自动控制等众多领域获得应用,但其计算量大、极耗计算资源,运行效率直接影响到复杂的非线性和多维空间寻优问题的求解效率。在分析OpenMP并行技术特点的基础上,针对主从式并行模型没有充分利用遗传算法内在并行性的问题,提出了一种改进的主从式并行遗传算法,并应用OpenMP编程模型在多核计算环境下实现。利用旅行商问题进行的实验表明,改进的并行遗传算法有更好的计算效率、扩展性,可在求解大规模TSP问题上有更广泛和高效的应用。

一种主从式并行遗传算法设计

该文对串行遗传算法进行了并行设计，加入对当前通用消息传递接口MPI的支持，形成了一个主从式并行遗传算法。针对该算法用经典的测遗传算法效率的OliverTSP问题进行测试，得出并行遗传算法可以更好的提高遗传算法的收敛性。

基于快速非支配排序遗传算法的阻尼器多目标优化布置

将快速非支配排序遗传算法(NSGA-Ⅱ)和并行遗传算法相结合,提出内嵌NSGA-Ⅱ的粗粒度-主从式并行遗传算法。该算法将种群分为多个子种群,每个子种群可独立并行执行NSGA-Ⅱ操作;达到迁移周期时,子种群之间执行迁移操作;完成迁移后,子种群再次独立并行执行NSGA-Ⅱ操作。以最大层间位移角和最大楼层加速度为目标函数,对14层消能减震钢框架结构上的阻尼器布置位置进行优化分析。结果表明:该算法既实现多目标优化,又提高优化速度;对比常规隔层布置方法,该算法可使结构的层间位移角减震系数和加速度减震系数分别至少提高16.82%和16.01%。

并行遗传算法在粗糙集属性约简中的应用

遗传算法是一种全局优化的数值计算方法,它存在自然并行性.给出一种求解粗糙集属性约简问题的并行遗传算法,并在普通网络环境下实现.结果表明,并行遗传算法适合于求解问题规模较大及大数据样本点的数据约简问题.

基于并行遗传算法的车辆路径问题

提出两种改进策略来提高遗传算法的性能,首先通过粗粒度并行机制以避免遗传算法在进化过程中易产生过早收敛现象,同时提出了一个主从式迁移策略来提高"优质"个体在交换过程的生存能力,有效的提高优化的速度和解的精度。最后,通过若干著名的车辆路径问题对该算法进行了验证,结果表明提出的并行遗传算法可以有效的提高优化速度和求解质量。

遗传算法的并行实现

详细讨论了遗传算法内在的并行性 ,列举了遗传算法进行并行处理的主从式并行算法、粗粒度并行算法及细粒度并行算法 ,比较分析了各种方法的优缺点、适用范围和应用前景 .

主从式控制网络并行GA的设计与实现

本文讨论的并行遗传算法是一类控制主从式的异步并行的遗传算法 ,它合理地解决了遗传操作和通讯之间的协调 ,具有通讯开销小、子群体之间信息交流充分等特点。

粗粒度并行遗传算法在水库调度问题中的应用

巨型水库群实时优化调度涉及大规模、高维及非线性问题,庞大、动态、复杂的搜索空间,采用传统遗传算法(GA)求解该类问题几乎不可行,并行遗传算法(PGA)除具有GA的优势外,还能充分利用并行计算机的计算能力、有效地提高求解质量和求解速度,在解决巨型水库群优化调度问题方面具有广阔的应用前景。本文采用PGA粗粒度模型(CGGA),引入迁移算子,以三峡-葛洲坝梯级水库为例,将基于双向环迁移拓扑的CGGA应用于水库调度模型求解。计算结果表明,CGGA能够有效地提高求解质量和求解速度,从收敛性能看,CGGA由于种群隔离保证了种群间的个性,能够在整个计算过程中不断进化,避免总群体趋于同化;从并行性能看,CGGA加速比远大于线性加速比,说明CGGA能够充分地利用各计算进程,提高并行效率,避免资源浪费。

基于主从式并行遗传算法的岩土力学参数反分析方法

考虑到遗传算法的天然并行性和集群计算的高速并行性,提出了基于主从式并行遗传算法的岩土力学参数反分析方法。采用实数编码方法,缩短了个体编码的长度,减少了搜索空间;采用动态任务分配方案,可以避免处理器效率的不均衡;采取"松耦合"的方法将主从式并行遗传算法与FLAC程序进行耦合。基于C+MPI语言编写了反分析程序,并用标准弹性问题对程序进行了测试。测试结果表明,主从式并行遗传算法不仅能够准确地对岩土力学参数进行反分析,而且随着问题规模的增大可以得到接近线性的加速比。因此,针对适应度评价计算量大的岩土工程反分析问题,采用基于主从式并行遗传算法的岩土力学参数反分析方法,既保证了反分析的求解精度,又提高了反分析速度,满足工程上对于反分析的及时性需求,具有较强的应用价值。

裂缝性孔隙介质储层参数全波形反演的高效计算

基于BISQ机制的裂缝孔隙介质储层参数(孔隙度、固相密度和流相密度)全波形反演对于BISQ理论的推广应用以解决油气勘探和开发的实际问题具有重要意义.然而,庞大的计算量将限制其发展和应用.本文提出了将小生境主从式并行遗传算法与多震源混合激发采集技术相结合的方法来改善这一问题.最后,以双层的基于BISQ机制的二维裂缝孔隙介质模型为例,进行了储层参数反演的数值分析.数值反演算例结果表明:基于小生境主从式并行遗传算法和多震源混合激发采集技术的储层参数反演方法极大地提高了原小生境遗传算法储层参数反演的计算效率,为利用孔隙介质储层参数反演进行油气预测和油藏监测奠定了理论基础.