CN103440540B - 一种土地利用空间布局人工免疫优化模型的并行化方法 - Google Patents
一种土地利用空间布局人工免疫优化模型的并行化方法 Download PDFInfo
- Publication number
- CN103440540B CN103440540B CN201310424814.3A CN201310424814A CN103440540B CN 103440540 B CN103440540 B CN 103440540B CN 201310424814 A CN201310424814 A CN 201310424814A CN 103440540 B CN103440540 B CN 103440540B
- Authority
- CN
- China
- Prior art keywords
- operator
- thread
- parallel
- population
- immunity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种土地利用空间布局人工免疫优化模型的并行化方法,包括分解面向土地利用空间布局优化的多目标人工免疫模型,分解结果包括种群初始化算子、目标向量计算算子、选择算子、克隆算子、变异算子、种群更新算子和解码算子;构建免疫算子数组,将需要迭代执行的算子按顺序存入免疫算子数组,需要迭代执行的算子包括克隆算子、变异算子、目标向量计算算子、选择算子、种群更新算子。种群初始化算子和目标向量计算算子一起并行执行,然后串行执行选择算子;对迭代执行的免疫算子数组,克隆算子、变异算子、目标向量计算算子依次分别并行执行,选择算子、种群更新算子依次串行执行;最后并行执行解码算子。
Description
技术领域
本发明属于土地利用空间布局优化配置技术领域,特别是涉及一种土地利用空间布局人工免疫优化模型的并行化方法。
背景技术
关于土地利用空间布局优化配置,目前已经有了一些成果,主要包括土地资源的空间布局优化问题建模和多目标人工免疫系统优化技术的结合运用。简单介绍如下:
一、土地资源的空间布局优化问题建模
土地资源的空间布局优化是土地利用规划工作的重要组成部分,其本质是在区域规划期土地资源数量结构的约束下,根据区域土地资源的自然和社会经济特征,科学合理的分配各类用地在空间上的布局,从而实现土地资源的合理、可持续利用,使土地资源的空间布局更有利于生产经营管理和生态环境保护。土地利用空间布局优化问题从本质上看是一类带约束条件的多目标组合优化问题。按照多目标优化问题的一般定义,土地资源的空间布局优化问题的数学描述如下:
式中,S表示土地资源的最大适宜度优化目标,S值越大,则表明优化方案对应的土地利用空间布局的土地利用适宜度越优,土地得到了最有效利用;Comp为最大紧凑度优化目标,Comp的取值越小,则表明空间布局方案中各斑块的形状越优。
式(1)中,G表示规划区内栅格单元的总数,Suiti为第i个栅格单元对其当前所配置的地类的适宜性分值,其取值范围为[0-100]。
式(2)中,LSIj为第j个斑块的形状指数,式(3)中,P表示斑块的周长,A表示斑块的面积。n表示规划区内斑块的个数。其中,斑块是指土地利用空间布局方案中,空间上相邻、且用地类型相同的栅格象元构成了斑块。
式(4)中,Al为区域内规划年土地资源数量结构中规定的第l类用地的面积,G表示规划区内栅格单元的个数,at为第t个栅格单元所代表地块的真实面积。xtl为一个决策变量,当栅格单元的地类为t时取值为1,否则取值为0。式(4)的内涵是土地利用空间布局优化方案对应的土地资源数量结构必须等于区域规划设定的土地资源数量结构。
二、多目标人工免疫系统优化技术
土地资源的空间布局优化问题的求解离不开空间信息技术和多目标优化技术的支持。近年来,随着地理信息系统和智能优化模型的兴起,基于智能算法的多目标优化模型开始被应用于土地利用空间布局优化问题的求解,如遗传算法、蚁群优化算法、人工免疫系统、微粒群算法等。在上述算法中,人工免疫系统被认为是一类优秀的智能优化算法。因此,相对于遗传算法等智能优化算法,人工免疫系统虽然出现较晚,但发展迅速,已在多个领域中得到了成功应用。由此可见,人工免疫系统同样是求解土地利用空间布局优化问题的有效工具。采用多目标人工免疫系统求解土地利用空间布局优化问题的技术流程见附图1。首先进行问题定义与建模,即编码,布局方案编码对应抗体,抗体中的基因对应地块配置单元,每个基因具有几何位置、地块属性、临域关系等属性。图中,a1、a2、a3、a4、a5、a6、a7分别表示各类用地(耕地、园地、林地、草地、城镇用地、农村居民点、未利用地)的面积。在土地利用空间布局优化目标与约束条件下(例如紧凑度、适宜性、面积约束、适宜性约束)求解优化问题(即抗体亲和度成熟过程),包括初始化,目标向量计算,迭代进行选择、克隆、变异、自定义算子、目标向量计算、选择、种群更新,直到抗体亲和度成熟时终止迭代,解码输出。f1为空间布局优化的紧凑度目标值,f2为空间布局优化的适宜度目标值;输出优化解集中s1、s2、s3…si-1、si、si+1…sn-1、sn为优化问题的Pareto解,解码即可得到对应空间布局优化方案。
其中,对于任意一个具有m个优化目标的多目标优化问题,其可行解的集合为S,对于其中的一个可行解X,若X的一个目标值优于其他所有解,且余下的m-1个目标值不劣于其他所有解,则X是该优化问题的一个Pareto最优解。其中Pareto占优及Pareto最优解等相关多目标优化的基本概念如下:
(1)Pareto占优:对于给定的两个决策向量x1和x2,及其对应的目标向量y1和y2,若决策向量y1中的某一目标值优于y2,且y1的其余目标值不劣于y2的其余目标值,则称x1对x2是Pareto占优的,或者说x1是非支配的。Pareto占优的数学描述可参考相关文献。
(2)Pareto最优解:对于解集X及其中的一个可行解x1,若不存在任何x2对x1Pareto占优,则称x1为Pareto最优解或非支配解(Non-Dominated)。
(3)Pareto最优解集:所有Pareto最优解所组成的集合称为Pareto最优解集。
土地利用空间布局优化问题求解涉及复杂空间搜索操作和目标函数计算,属于典型的计算密集型问题。随着研究区域的增大,智能优化算法的搜索效率不仅会急剧下降,搜索所需的迭代次数也急剧增加,同时算法的计算速度和性能也会下降,求解土地利用空间布局优化问题的时间将变得不可接受。随着多核计算机和并行计算技术的日渐成熟,已有研究者开始利用并行计算技术对空间优化问题求解进行了初步研究,并取得了较好的实验效果。如何利用并行计算技术对土地利用空间布局优化模型进行并行化改造,提升模型在求解大规模土地利用空间布局优化问题方面的速度和能力,将是土地利用空间布局优化技术研究的一个重要方向。
三、并行计算技术
并行计算(ParallelComputing)也称为高性能计算或超级计算,是在并行计算机上通过编写并行应用程序求解大规模计算问题以减少计算时间的一种计算机技术。其中,并行计算机是一类具有多个处理器的计算机系统。根据著名的Flynn并行计算机分类法,并行计算机的体系结构根据执行流和数据流是否具有并行性划分为以下4类:(1)单指令流单数据流(SISD)机,即传统的串行计算机;(2)单指令流多数据流(SIMD);(3)多指令流单数据流机(MISD),现实中并不存在;(4)多指令流多数据流机(MIMD)。现实中大部分并行计算机都属于MIMD并行机。MIMD并行机根据其处理器和存储的分布模式及其网络拓扑结构的不同,进一步细分为以下几个类别:(1)并行向量机(PVP),(2)共享内存并行计算机(SMP),(3)分布式内存并行计算机(MPP),(4)分布共享内存并行计算机(DSM)和(5)集群或集群系统(COW)。其中,现实中大量存在的多CPU小型工作站和多CPU、多核个人计算机都可认为是典型的共享内存并行计算机。
在智能优化领域,已有研究者提出了基于种群分解策略的并行智能优化模型。根据种群分解的粒度,又可进一步分为粗粒度并行模型、细粒度并行模型、主从式并行模型、塔式主从式结构等几种并行模型。相关文献[1]:戚玉涛,焦李成,刘芳.基于并行人工免疫算法的大规模TSP问题求解[J].电子学报,2008,36(08):1552-1558.相关文献[2]BAYRAKTARZ,BOSSARDJA,WANGXD,etal.AReal-ValuedParallelClonalSelectionAlgorithmandItsApplicationtotheDesignOptimizationofMulti-LayeredFrequencySelectiveSurfaces[J].IeeeTransactionsonAntennasandPropagation,2012,60(4):1831-1843.相关文献[3]LIUL,XUWB.Aparallelizedartificialimmunenetworkforfuzzyclustering[J].InternationalJournalofComputerMathematics,2010,87(6):1401-1414.
然而,整体上看,已有的并行化的智能优化模型依然不能满足土地利用空间布局优化问题求解的需求。主要体现在:(1)土地利用空间布局优化问题是一类复杂的空间优化问题,涉及的数据量大。传统的并行模型大多采用子种群分解的方式进行并行,子种群之间需要频繁传递抗体。由于土地利用空间布局优化方案对应的抗体数据量较大,将直接导致通信开销的增大,降低了并行效率。(2)土地利用空间布局优化问题需要在领域知识的指导下,允许对智能优化模型框架进行改进和扩展。原有的并行模型大多针对特定的算法结构进行设计,一旦算法有所改进,必须重写相关代码。模型一旦并行后,可扩展性较差。由此可见,对于土地利用空间布局优化问题,设计基于共享存储并行环境下的并行优化模型可以避免计算节点之间的频繁的大数据量通信,从而极大降低了通信开销,因而比设计基于分布式存储并行环境下的并行优化模型更有实际意义。因此,针对土地利用空间布局优化问题的基本特点和求解需求,本领域亟待出现一种共享存储并行环境下的、可扩展的、高并行效率的并行多目标人工免疫智能优化模型。
发明内容
针对现有土地利用空间布局并行智能优化技术在实际操作中存在的效率低下问题,发明一种共享存储并行环境下的、可扩展的、高并行效率的并行多目标人工免疫智能优化模型。
本发明提供的技术方案是一种土地利用空间布局人工免疫优化模型的并行化方法,分解面向土地利用空间布局优化的多目标人工免疫模型,分解结果包括种群初始化算子、目标向量计算算子、选择算子、克隆算子、变异算子、种群更新算子和解码算子;构建免疫算子数组,将需要迭代执行的算子按顺序存入免疫算子数组,需要迭代执行的算子包括克隆算子、变异算子、目标向量计算算子、选择算子和种群更新算子;
面向土地利用空间布局优化的求解包括以下步骤,
步骤1,种群初始化算子和目标向量计算算子的并行执行,包括根据初始种群规模M和计算资源提供的线程数N,开辟N-1个新线程,由主控线程将M个初始抗体的生成和相应目标向量计算的任务平分到N个线程上并行执行,新种群生成并计算新种群各抗体相应目标向量完毕后,所有抗体回归到主控线程,,新开辟的N-1个线程被注销;
步骤2,进行选择算子的串行执行,包括在主控线程上进行选择操作,得到规模为X的非支配解集,其中,X为预设的解集规模数;
步骤3,开始根据免疫算子数组运行,首先是克隆算子的并行执行,包括开辟N-1个新线程,由主控线程将X个非支配解集平均分配到N个线程上,并根据克隆系数C,在每个线程上将原有的抗体复制C份,然后合并到主控线程中,形成规模为X×C的新的临时种群,新开辟的N-1个线程被注销,;
步骤4,变异算子的并行执行,包括开辟N-1个新线程,由主控线程将规模为X×C的临时种群平均分配到N个线程上,由各个线程并行地完成对分配到的抗体的变异操作,完成后将变异后的种群返回给主线程,形成规模为X×C的变异后的临时种群,新开辟的N-1个线程被注销;
步骤5,目标向量计算算子的并行执行,包括开辟N-1个新线程,由主控线程将规模为X×C的变异后的临时种群平均分配到N个线程上,由各个线程并行地完成对分配到的抗体的目标向量计算操作,完成将各线程所得结果返回给主控线程,新开辟的N-1个线程被注销,;
步骤6,进行选择算子的串行执行,包括在主控线程上进行选择操作,得到规模为X的非支配解集,其中,X为预设的解集规模数;
步骤7,种群更新算子的串行执行,包括在主控线程上进行种群更新操作,然后判断当前迭代次数是否已达到预设的迭代次数G,若达到则执行步骤8,否则返回步骤3继续根据免疫算子数组迭代操作;
步骤8,解码算子的并行执行,包括开辟N-1个新线程,由主控线程将当前的规模为X的非支配解集分配到N个线程上并行地执行解码操作,各线程将其分配到的抗体进行解码,分别以栅格文件的形式输出为土地利用空间布局优化方案;输出完毕后,各线程注销。
而且,分解结果中还包括自定义算子,免疫算子数组中需要迭代执行的算子按顺序分别是克隆算子、变异算子、自定义算子、目标向量计算算子、选择算子、种群更新算子,步骤4进行变异算子的并行执行后进行自定义算子的执行。
而且,初始种群规模M和解集规模数X是计算资源提供的线程数N的整数倍。
本发明的特点:总体上具有简单、高效和可扩展等特点,本发明主要解决的技术问题有:(1)根据土地利用空间布局优化问题的实际特点,设计了相应的算法并行化策略;(2)算法的并行以免疫算子为基本并行单元,以免疫算子的并行为基础,进而保证由并行算子构成的模型整体上依然具有较好的并行效率。从而能够实现算法整体框架可扩展、可改进的前提下,保证了模型总体的并行效率,克服传统的并行智能优化模型的可扩展性较差的不足。
附图说明
图1为现有技术中多目标人工免疫系统求解土地利用空间布局优化问题的技术流程。
图2为本发明实施例的并行示意图。
图3为本发明实施例的并行效率实验结果图。
图4为本发明实施例的加速比实验结果图。
具体实施方式
共享存储,主要包括具有多核多CPU的个人计算机、小型工作站等计算机,区分于分布式存储的计算机。在共享存储环境的计算机上,计算数据不需要通过网络传输,因而减小了网络传输带来的时间开销,具有较大的并行潜能。本发明针对共享存储环境提供了一种土地利用空间布局人工免疫优化模型的并行化方法。以下结合附图和实施例说明本发明技术方案。
为便于理解起见,首先解释理论基础:
算法的并行通常采取数据并行和任务并行两种方式进行。对于多目标人工免疫系统,由于其采取以抗体为单位构成的种群为计算对象,抗体和抗体之间的进化过程具有天然的可并行性。因此,本发明将主要采取数据并行的方式实现算法的并行,即,将抗体种群根据计算资源平均分解成若干个子种群,每个线程负责一个子种群的免疫计算操作。
土地利用空间布局问题是一类复杂的空间优化问题,通常需要在领域知识的指导下,设计一些改进型的局部搜索算法,对原始人工免疫算法进行改进。这就决定了面向土地利用空间布局优化问题求解的多目标人工免疫算法必须是可扩展、可改进的。因此,考虑到算法的可扩展性,本发明中人工免疫算法的并行主要以免疫算子的并行为基础。在保证各免疫算子高并行效率的前提下,由各并行免疫算子组建的整体模型依然能保证较好的并行效率。从而能够在保证算法框架可扩展的前提下,依然能够达到较好的并行效率。此外,针对土地利用空间布局优化问题的计算瓶颈和人工免疫算法的特点,算子的并行化只针对特定的几个需要消耗较大计算资源的算子进行,对于选择和种群更新等计算量小的算子则依旧采取串行的方式执行,以降低算法复杂度。
在并行计算环境下,由于计算任务或计算数据之间存在一定的依赖关系,或计算过程中对某类计算资源等存在竞争关系等现象,使得并行执行的线程或进程之间产生了竞争、等待等问题,从而影响算法的执行效率。且这种现象随着线程或进程数量的增加对算法并行效率的影响越发明显。为了定量的描述算法在并行计算环境下的执行效率,通常可采用加速比和并行效率对算法的并行性能进行评估,计算公式如下:
式中,a为并行算法的加速比;T1T1为某一特定的计算任务在串行环境下执行所需要的时间;T2T2为同一计算任务在并行环境下执行所需要的时间;N为并行任务执行所用的CPU的个数(或核数);e为并行算法的并行效率。并行算法的加速比越大则表明采用该并行计算算法完成该计算任务所需要的时间越短,对计算时间的加速效果越明显。并行效率则一定程度反映了各CPU或CPU核在任务执行中的使用效率,并行效率越高则CPU用于任务执行的效率越高。当任务串行执行时,CPU被完全用于计算任务的执行,此时算法的并行效率可视为100%。
本发明实施例提供的共享存储环境下的土地利用空间布局人工免疫优化模型的并行化方法,具体实现过程如下:
一、将面向土地利用空间布局优化的多目标人工免疫模型分解成多个基本算子单元,如附图2,模型可分解为种群初始化算子、目标向量计算算子、选择算子、克隆算子、变异算子、种群更新算子和解码算子,还可选择采用自定义的局部搜索算子(即自定义算子)。上述算子通常由土地利用空间布局优化问题研究领域专家进行设计,不限具体实现方式。本发明技术方案中涉及的抗体编码、变异等算子可直接采用已有的相关研究成果,不予赘述。实施例的主要算子操作介绍如下:
(1)编码算子。将规划区域按照规则大小的网格(例如50米×50米)进行划分,每个网格代表实际的一个地块。则规划区域的土地利用空间布局优化方案可在计算机内采用二维数组进行存储,并对应人工免疫系统中的一个人工抗体。数组的每一个元素对应实际空间上的一个网格(地块),数组元素所在的行列号确定了地块所在的空间位置。数组元素的取值表示该元素对应地块所取的用地类型。例如,1表示耕地,2表示园地,3表示林地,4表示草地,5表示城镇用地,6表示村庄等。
(2)初始化算子。设研究的规划区域可由一个A×B大小的二维数组进行定义。构建一个A×B大小的二维空数组(对应一个人工抗体)。一个数组元素对应布局方案中的一个地块(即栅格单元),对应人工抗体中的一个基因。第i个栅格单元可标记为地块i。遍历数组元素,对于任意一个数组元素(地块)i,基于该数组元素对应地块的土地适宜性分值构建轮盘,采用轮盘赌策略随机确定其地类。轮盘构建的原理如下
式中:pm为用地类型m被选中的概率,fl为当前地块对用地类型l的适宜性分值,L为用地类型的总数。地块i对某类用地的适宜性分值越高,则该类用地类型被选中的概率越大。随机产生一个(0-1)的随机数rnd,判断rnd在轮盘中的位置,进而确定当前地块的取值。通过上述步骤,完成一个抗体的初始化过程。重复上述步骤,即可完成初始种群的随机生成。
(3)目标向量计算算子。遍历种群中的每一个抗体,按照本发明中的式(1),式(2)的定义,计算各抗体的目标向量,并将目标向量值保存在抗体中。
(4)变异算子。遍历抗体中的各数组元素,对于任意数组元素(地块)i,生成随机数rnd。若rnd的值小于设定的变异概率P,则对该基因位实施变异,否则不实施变异。变异时,可基于当前地块对各类用途的适宜性分值构建轮盘,采用轮盘赌的策略确定变异后的用地类型。基本原理同初始化算子。
(5)解码算子。遍历算法的Pareto解集,将每一个抗体(二维数组)输出为一个栅格文件。每个栅格文件即对应一个土地利用空间布局优化方案。
(6)选择算子、克隆算子和种群更新算子均采用现有技术中的多目标人工免疫算法(NICA算法)中的原始设计进行实施。自定义算子不作为多目标人工免疫模型的必须算子,仅作为土地利用空间布局优化问题求解的基本需求,在模型的并行化设计时作为并行模型的可扩展性依据进行考虑。
二、构建免疫算子数组,将需要迭代执行的算子按顺序存入数组。在人工免疫算法中,需要迭代执行的免疫算子按先后顺序分别是克隆算子、变异算子、自定义算子、目标向量计算算子、选择算子、种群更新算子。其中,自定义算子通常是土地利用空间布局优化领域内的专家为了提高算法的执行效率而设计的一类局部搜索算子,不是人工免疫优化模型的必须采用的算子。算法在执行时,按顺序遍历免疫算子数组,从中依次取出免疫算子进行执行。数组遍历执行完毕后,即可完成一个迭代周期。
三、并行化执行
可预先估计各算子执行一次所需的时间,并得到算法执行的计算瓶颈。由于多目标人工免疫系统需要通过反复迭代寻找Pareto最优解。因此,算法的大部分计算时间将消耗在迭代过程中。其中,测试出各算子的执行时间,有助于发现算法执行的计算瓶颈,进而设计合理的并行策略。对于土地利用空间布局优化问题,上述算子中,目标向量计算算子执行所需时间最长(约消耗迭代周期70%以上时间),变异算子、克隆算子、种群初始化算子和解码算子次之。相对于目标向量计算算子、变异算子和克隆算子,选择算子和种群更新算子的执行时间可以忽略不计。
根据所得算子执行时间特点,实施例的并行化执行方案如下:
步骤1、种群初始化算子、目标向量计算算子的并行执行,在进入算法迭代周期之前需要依次执行种群初始化算子、目标向量计算算子和选择算子。其中,目标向量计算算子和种群初始化算子采取合二为一的策略,在初始抗体生成时直接进行抗体的目标值向量计算。因此,采取数据并行的策略,根据初始种群规模M和计算资源(线程)N,开辟N-1个新线程,由主控线程将M个初始抗体的生成和目标向量计算任务平分到N个线程上并行执行。新种群生成并计算新种群各抗体相应目标向量完毕后,所有抗体回归到主控线程,新开辟的N-1个线程被注销。此外,为了实现负载均衡,在种群参数设置时,将种群的规模设置为计算资源的整数倍。例如,当CPU个数为4个时,种群规模可以取为4的整数倍,64,128等。
步骤2、选择算子的串行执行,选择算子主要基于各抗体的目标向量值进行比较操作,且种群的规模通常在50-1000之间。由于线程同步和通信开销等因素,对选择算子进行并行化的效率并不明显,且选择算子和种群更新算子执行所需的时间相对于其他算子可以忽略不计。因此,选择算子采取串行的方式执行,即在主控线程上进行选择操作,得到规模为X的Pareto解集。其中,X为用户预先设定的最大Pareto解集的规模数,通常为N的整数倍,推荐取值为N的2-4倍。
步骤3、开始根据免疫算子数组运行,首先是克隆算子的并行执行,开辟N-1个新线程,由主控线程将X个非支配解集平均分配到N个线程中,并根据预设的克隆系数C,在每个线程上将原有的抗体复制C份,并合并到主控线程中,形成规模为X×C的新的临时种群。剩下的N-1个线程完成任务后被注销。
步骤4、变异算子的并行执行,开辟N-1个新线程,由主控线程将规模为X×C的临时种群平均分配到N个线程上,由各个线程并行的完成对其分配到的抗体的变异操作。各线程的变异计算任务完成后,将变异后的种群返回给主线程,形成规模为X×C的变异后的临时种群,新开辟的N-1个线程被注销,以准备下一阶段的计算。如果要执行自定义算子,通常也是并行执行,开辟N-1个新线程执行后注销。
步骤5、目标向量计算算子的并行执行,开辟N-1个新线程,由主控线程将规模为X×C的变异后的临时种群平均分配到N个线程上,由各个线程并行的完成对其分配到的抗体的目标向量计算操作。各线程的计算任务完成后,将各线程所得结果返回给主控线程,以准备下一阶段的计算,其余N-1个线程被注销。
步骤6、选择算子的串行执行,方法同步骤2,得到新的规模为X的非支配解集。
步骤7、种群更新算子的串行执行,由于种群更新算子是根据抗体的目标向量来计算抗体之间的拥挤距离,计算量相对于目标向量计算算子和变异、克隆算子可忽略不计。因此,采取串行的方式进行执行。在主控线程上进行种群更新操作,种群更新操作执行完毕后,判断当前迭代次数是否已达到用户设定的迭代次数G,若达到,则执行步骤8,否则返回步骤3,继续迭代操作。
步骤8、解码算子的并行执行,开辟N-1个新线程,由主控线程将反复迭代搜索得到的规模为X的Pareto解集分配到N个线程上并行的执行解码操作,各线程将其分配到的抗体进行解码,分别以栅格文件的形式将其输出为土地利用空间布局优化方案。输出完毕后,各线程注销,程序退出。
为了测试算法的并行效率,选取某地的土地利用空间布局优化问题作为测试案例。根据本发明的基本内容,采用C++语言和OpenMP并行库编写程序,实现相关的模型。测试实验在一台刀片服务器上执行,该计算机部署有4个IntelXeonE7-4820型的CPU(每个CPU包含4个主频为2.0GHz为CPU内核),64G内存。先后分别用1、2、4、8、16个线程在服务器上执行优化任务。每次试验当算法的非支配解集规模稳定到预设的最大规模时开始统计算法迭代100代所需要的时间,进而统计得到算法迭代1次所需的平均时间。在此基础上统计算法的并行效率和加速比,结果见附图3、4,由图可知,随着实验所使用的CPU核数的增加,算法的并行效率依次下降,加速比逐渐增大。当实验使用的CPU核数达到16时,算法的并行效率下降到68%,加速比为10.83.
为了进一步分析算法执行的计算瓶颈,对算法迭代过程中的各个算子执行耗费的时间进行分析。在多目标人工免疫算法中,算法每次迭代过程中需要依次执行克隆、变异、目标向量计算、选择和种群更新5个基本算子,分别统计串行环境和在使用16个CPU内核的并行环境中各算子执行一次所需要时间,结果见下表:
单位:秒
由上表可知,在使用本发明设计的实验案例情况下,人工免疫算法的一个迭代周期内,抗体目标值计算耗时约75~80%,变异算子耗时约20%。上表中,选择算子和种群更新算子在串行模式下执行时间远远低于0.1秒,由于时间统计精度问题,因而统计得到的时间为0秒。总体上看,克隆算子、变异算子和目标向量计算算子在实现并行后,执行所需的时间得到大幅度降低,具有较好的并行效率。对由此可见,本发明涉及的并行的土地利用空间布局优化计算技术是提高大规模土地利用空间布局优化等复杂地理计算问题求解效率的有效手段。
以上仅是用以说明本发明的具体实施案例而已,并非用以限定本发明的可实施范围。熟悉本领域的技术人员在不违背本发明所指示的精神与原理下所完成的一切等效变形、替换或修饰,仍包含在本发明权利要求所限定的范围内。
Claims (3)
1.一种土地利用空间布局人工免疫优化模型的并行化方法,其特征在于:分解面向土地利用空间布局优化的多目标人工免疫模型,分解结果包括种群初始化算子、目标向量计算算子、选择算子、克隆算子、变异算子、种群更新算子和解码算子;构建免疫算子数组,将需要迭代执行的算子按顺序存入免疫算子数组,需要迭代执行的算子包括克隆算子、变异算子、目标向量计算算子、选择算子和种群更新算子;
面向土地利用空间布局优化的求解包括以下步骤,
步骤1,种群初始化算子和目标向量计算算子的并行执行,包括根据初始种群规模M和计算资源提供的线程数N,开辟N-1个新线程,由主控线程将M个初始抗体的生成和相应目标向量计算的任务平分到N个线程上并行执行,新种群生成并计算新种群各抗体相应目标向量完毕后,所有抗体回归到主控线程,新开辟的N-1个线程被注销;
步骤2,进行选择算子的串行执行,包括在主控线程上进行选择操作,得到规模为X的非支配解集,其中,X为预设的解集规模数;
步骤3,开始根据免疫算子数组运行,首先是克隆算子的并行执行,包括开辟N-1个新线程,由主控线程将X个非支配解集平均分配到N个线程上,并根据克隆系数C,在每个线程上将原有的抗体复制C份,然后合并到主控线程中,形成规模为X×C的新的临时种群,新开辟的N-1个线程被注销;
步骤4,变异算子的并行执行,包括开辟N-1个新线程,由主控线程将规模为X×C的临时种群平均分配到N个线程上,由各个线程并行地完成对分配到的抗体的变异操作,完成后将变异后的种群返回给主线程,形成规模为X×C的变异后的临时种群,新开辟的N-1个线程被注销;
步骤5,目标向量计算算子的并行执行,包括开辟N-1个新线程,由主控线程将规模为X×C的变异后的临时种群平均分配到N个线程上,由各个线程并行地完成对分配到的抗体的目标向量计算操作,完成将各线程所得结果返回给主控线程,新开辟的N-1个线程被注销;
步骤6,进行选择算子的串行执行,包括在主控线程上进行选择操作,得到规模为X的非支配解集,其中,X为预设的解集规模数;
步骤7,种群更新算子的串行执行,包括在主控线程上进行种群更新操作,然后判断当前迭代次数是否已达到预设的迭代次数G,若达到则执行步骤8,否则返回步骤3继续根据免疫算子数组迭代操作;
步骤8,解码算子的并行执行,包括开辟N-1个新线程,由主控线程将当前的规模为X的非支配解集分配到N个线程上并行地执行解码操作,各线程将其分配到的抗体进行解码,分别以栅格文件的形式输出为土地利用空间布局优化方案;输出完毕后,各线程注销。
2.根据权利要求1所述土地利用空间布局人工免疫优化模型的并行化方法,其特征在于:分解结果中还包括自定义算子,免疫算子数组中需要迭代执行的算子按顺序分别是克隆算子、变异算子、自定义算子、目标向量计算算子、选择算子、种群更新算子,步骤4进行变异算子的并行执行后进行自定义算子的执行。
3.根据权利要求1或2所述土地利用空间布局人工免疫优化模型的并行化方法,其特征在于:初始种群规模M和解集规模数X是计算资源提供的线程数N的整数倍。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310424814.3A CN103440540B (zh) | 2013-09-17 | 2013-09-17 | 一种土地利用空间布局人工免疫优化模型的并行化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310424814.3A CN103440540B (zh) | 2013-09-17 | 2013-09-17 | 一种土地利用空间布局人工免疫优化模型的并行化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103440540A CN103440540A (zh) | 2013-12-11 |
CN103440540B true CN103440540B (zh) | 2016-01-13 |
Family
ID=49694233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310424814.3A Active CN103440540B (zh) | 2013-09-17 | 2013-09-17 | 一种土地利用空间布局人工免疫优化模型的并行化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103440540B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009100B (zh) * | 2019-03-28 | 2021-01-05 | 安徽寒武纪信息科技有限公司 | 自定义算子的计算方法及相关产品 |
CN114548830B (zh) * | 2022-04-18 | 2022-07-29 | 支付宝(杭州)信息技术有限公司 | 选择算子确定方法、策略组合优化方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663562A (zh) * | 2012-04-20 | 2012-09-12 | 武汉大学 | 一种基于克隆选择算法的土地资源评价因子级别划分方法 |
CN102693161A (zh) * | 2012-05-16 | 2012-09-26 | 武汉大学 | 一种并行的土地资源质量评价因子空间量化方法 |
US8458108B2 (en) * | 2010-06-30 | 2013-06-04 | International Business Machines Corporation | Modifying constraint-compliant populations in population-based optimization |
CN103150613A (zh) * | 2013-03-26 | 2013-06-12 | 武汉大学 | 一种土地利用布局智能优化方法 |
-
2013
- 2013-09-17 CN CN201310424814.3A patent/CN103440540B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8458108B2 (en) * | 2010-06-30 | 2013-06-04 | International Business Machines Corporation | Modifying constraint-compliant populations in population-based optimization |
CN102663562A (zh) * | 2012-04-20 | 2012-09-12 | 武汉大学 | 一种基于克隆选择算法的土地资源评价因子级别划分方法 |
CN102693161A (zh) * | 2012-05-16 | 2012-09-26 | 武汉大学 | 一种并行的土地资源质量评价因子空间量化方法 |
CN103150613A (zh) * | 2013-03-26 | 2013-06-12 | 武汉大学 | 一种土地利用布局智能优化方法 |
Non-Patent Citations (2)
Title |
---|
基于并行人工免疫算法的大规模TSP问题求解;戚玉清 等;《电子学报》;20080815;第36卷(第8期);第1552-1558页 * |
基于插件技术的人工免疫智能空间优化平台研究;赵翔 等;《国防科技大学学报》;20130428;第35卷(第2期);第164-168页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103440540A (zh) | 2013-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Akay et al. | A survey on the artificial bee colony algorithm variants for binary, integer and mixed integer programming problems | |
Wang et al. | An improved grey model optimized by multi-objective ant lion optimization algorithm for annual electricity consumption forecasting | |
Papaioannou et al. | The evolution of cell formation problem methodologies based on recent studies (1997–2008): Review and directions for future research | |
Bajestani et al. | A multi-objective scatter search for a dynamic cell formation problem | |
Tapkan et al. | Modeling and solving constrained two-sided assembly line balancing problem via bee algorithms | |
De Toro et al. | PSFGA: a parallel genetic algorithm for multiobjective optimization | |
CN104951425A (zh) | 一种基于深度学习的云服务性能自适应动作类型选择方法 | |
He et al. | Probability density forecasting of wind power based on multi-core parallel quantile regression neural network | |
Liu et al. | Configuration space evolutionary algorithm for multi-objective unequal-area facility layout problems with flexible bays | |
Su et al. | Algorithms for solving assembly sequence planning problems | |
CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
Yan et al. | Study on deep unsupervised learning optimization algorithm based on cloud computing | |
CN108921324A (zh) | 基于配变聚类的台区短期负荷预测方法 | |
CN105117461A (zh) | 一种基于改进的遗传算法的查询优化方法 | |
Shang et al. | Production scheduling optimization method based on hybrid particle swarm optimization algorithm | |
Yao et al. | Solution of Large-Scale Many-Objective Optimization Problems Based on Dimension Reduction and Solving Knowledge-Guided Evolutionary Algorithm | |
Aghajani-Delavar et al. | A multi-objective vibration damping optimization algorithm for solving a cellular manufacturing system with manpower and tool allocation | |
Liu et al. | A hybrid harmony search algorithm with distribution estimation for solving the 0-1 knapsack problem | |
Jin et al. | Mapping very large scale spiking neuron network to neuromorphic hardware | |
CN103440540B (zh) | 一种土地利用空间布局人工免疫优化模型的并行化方法 | |
Song et al. | Energy Dispatching Based on an Improved PSO‐ACO Algorithm | |
CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
Bai et al. | [Retracted] Evaluation for Development Effect of Enterprise Innovation with Neural Network from Low‐Carbon Economy | |
Du et al. | Novel machine learning approach for shape-finding design of tree-like structures | |
Cao et al. | A resource allocation strategy in fog-cloud computing towards the Internet of Things in the 5g era |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |