一种基于CUDA的并行多目标进化算法
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.
多目标、进化算法、CUDA、GPU、并行计算
32
TE09;X24(能源与节能)
国家自然科学基金项目U1162202,61222303;上海市自然科学基金15ZR1408900;上海市“科技创新行动计划”研发平台建设项目13DZ2295300;上海市重点学科建设项目B504
2015-04-27(万方平台首次上网日期,不代表论文的发表时间)
共8页
1-8