CN108229063A - Moea/d分区方法、装置、设备及计算机存储介质 - Google Patents
Moea/d分区方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN108229063A CN108229063A CN201810104382.0A CN201810104382A CN108229063A CN 108229063 A CN108229063 A CN 108229063A CN 201810104382 A CN201810104382 A CN 201810104382A CN 108229063 A CN108229063 A CN 108229063A
- Authority
- CN
- China
- Prior art keywords
- weight vector
- moea
- slave
- subproblem
- population
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种基于spark计算框架的MOEA/D分区方法、装置、设备及计算机存储介质,所述方法基于主从模式,由主机通过配置输入步骤、权向量排序步骤、权向量分区步骤对种群进行划分,并将种群划分后的各子问题分发到各个副机上计算,各副机计算子问题完毕之后,将计算结果汇总至主机,由主机输出最终分区结果,从而解决了种群分区的问题。本申请通过适应基于分布式计算的计算框架来实现其并行化,为大数据时代下解决多目标动态优化问题提供了新的方式,通过对权向量进行划分方式,为在Spark下MOEA/D的实现提出了新的方法。
Description
技术领域
本申请涉及优化算法技术领域,尤其涉及一种基于spark计算框架的MOEA/D分区方法、装置、设备及计算机存储介质。
背景技术
现实生活中的优化问题,可以分为两类:单目标优化问题(Single-objectiveOptimization Problem,SOP)和多目标优化问题(Multi-objective OptimizationProblem,MOP)。单目标优化问题,即在优化时只考虑一个目标,否则,则称为多目标优化问题。多目标优化问题是现实中经常遇到的问题,如工业设计中,成本与质量就是一对相互冲突的目标。通常人们希望能在同一成本水平下,得到质量最优的产品。然而,不同成本水平下,能得到不同的最优质量的产品。这是一个典型的二目标优化问题。一般而言,为了有利于决策者做决策,需要计算出在不同成本下最优质量的组合。这些组合可以由多目标优化算法非常快速而准确地提供。大量的研究表明,为了快速而准确地解决现实世界中的多目标问题,多目标进化算法已经成为一个普遍的工具。
与此同时,在这个互联网数据爆炸式增长的时代,随着数据量的膨胀,基于单机的算法面对海量数据显得有些力不从心。显然,将算法并行化或者分布式实现是应对大数据发展行之有效的策略。但在基于分解的多目标进化算法MOEA/D(Multi-objectiveevolutionary algorithm,MOEA)领域,比较普遍的做法是做并行计算,且MOEA/D在Spark中尚未有实现,因此,在数据急速增长的时代下,亟需提供一种基于主从模式的MOEA/D的分区方法。
发明内容
本申请实施例提供了一种基于spark计算框架的MOEA/D分区方法、装置、设备及计算机存储介质,所设计的Spark MOEA/D是基于主从(Master-Slave)模式,其中,Master的工作在于对于种群进行划分,然后将子问题分发到各个Slave上计算,在各Slave计算完毕之后,再将结果汇总至Master,由Master输出最终分区结果,从而解决了种群分区的问题。
第一方面,本申请实施例提供的一种基于spark计算框架的MOEA/D分区方法,所述方法基于主从模式,包括:
主机通过配置输入步骤、权向量排序步骤、权向量分区步骤对种群进行划分,并将种群划分后的各子问题分发到各个副机上计算,以及输出最终分区结果;
各副机计算子问题完毕之后,将计算结果汇总至主机。
具体地,作为一个可执行方案,所述主机通过配置输入步骤、权向量排序步骤、权向量分区步骤对种群进行划分,并将种群划分后的各子问题分发到各个副机上计算,以及输出最终分区结果,具体包括以下步骤:
步骤S11:主机配置输入MOEA/D分区所需相关参数;其中,MOEA/D分区所需相关参数包括多目标问题、停止准则、N:MOEA/D中定义的子问题个数、均匀分布的N个权向量:λ1,……,λN、T:每个权向量的邻居权向量个数、以及分区数量P;
步骤S12:对权向量λ1,……,λN按元素键值进行排序;
步骤S13:将排序后的λ1,……,λN按间隔分区方法分为P组;
步骤S14:将P组权向量作为输入,配合MOEA/D分区所需相关参数,输入到MOEA/D中,得到P个MOEA/D实例;
步骤S15:将P个MOEA/D实例分配到各个副机运行,由各个副机分别计算种群分区后的各子问题;
步骤S16:从各个副机收集各子问题的解,将各子问题的解合并并取出被支配解,输出最终结果。
进一步地,在一个实例中,步骤S12:对权向量λ1,……,λN按元素键值进行排序,具体包括:
从输入的权向量λ1,……,λN中取出向量λ1,……,λN的任一个元素为键值,对剩余权向量进行从小到大排序,如果剩余权向量中任一元素与键值相等,则就从剩余权向量λ1,……,λN中取出任一个元素为键值重新进行比较,以此类推,完成权向量λ1,……,λN的排序。
进一步地,在一个实例中,步骤S13:将排序后的λ1,……,λN按间隔分区的方法分为P组,具体包括:
将排序后的前p个权向量依次分配给p个分区,作为p个分区的第一个向量;再依次将接下来的p个权向量分配给p个分区,作为p个分区的第二个权向量,以此类推,将排序后的λ1,……,λN按间隔分区的方法分为P组。
第二方面,本申请实施例提供的一种基于spark计算框架的MOEA/D分区装置,所述装置基于主从模式,包括一个主机和若干副机;
所述主机,用于通过配置输入步骤、权向量排序步骤、权向量分区步骤对种群进行划分,并将种群划分后的各子问题分发到各个副机上计算,以及输出最终结果;
所述副机,用于计算子问题,并将计算结果上报至主机。
第三方面,本申请实施例提供一种计算设备,包括存储器和处理器,其中,所述存储器用于存储程序指令,所述处理器用于调用所述存储器中存储的程序指令,按照获得的程序指令执行本申请实施例任一所述的MOEA/D分区方法。
第四方面、本申请实施例提供一种计算机存储介质,所述计算机存储介质存储有计算机可执行指令,所述计算机可执行指令用于使所述计算机执行本申请实施例任一所述的MOEA/D分区方法。
本申请有益效果如下:
本申请实施例提供了一种基于spark计算框架的MOEA/D分区方法、装置、设备及计算机存储介质,所述方法基于主从模式,由主机通过配置输入步骤、权向量排序步骤、权向量分区步骤对种群进行划分,并将种群划分后的各子问题分发到各个副机上计算,各副机计算子问题完毕之后,将计算结果汇总至主机,由主机输出最终分区结果,从而解决了种群分区的问题。本申请通过适应基于分布式计算的计算框架来实现其并行化,为大数据时代下解决多目标动态优化问题提供了新的方式,通过对权向量进行划分方式,为在Spark下MOEA/D的实现提出了新的方法。
附图说明
图1所示为本申请实施例一提供的一种基于spark计算框架的MOEA/D分区方法的流程示意图;
图2所示为本申请实施例一提供的一种基于spark计算框架的MOEA/D分区方法的另一流程示意图;
图3所示为本申请实施例一提供的一种基于spark计算框架的MOEA/D分区方法的排序流程示意图;
图4所示为本申请实施例一提供的一种基于spark计算框架的MOEA/D分区方法的分区流程示意图;
图5所示为本申请实施例二提供的一种基于spark计算框架的MOEA/D分区装置的结构流程示意图。
具体实施方式
本申请实施例提供了一种基于spark计算框架的MOEA/D分区方法、装置、设备及计算机存储介质,所述方法基于主从模式,由主机通过配置输入步骤、权向量排序步骤、权向量分区步骤对种群进行划分,并将种群划分后的各子问题分发到各个副机上计算,各副机计算子问题完毕之后,将计算结果汇总至主机,由主机输出最终分区结果,从而解决了种群分区的问题。本申请通过适应基于分布式计算的计算框架来实现其并行化,为大数据时代下解决多目标动态优化问题提供了新的方式,通过对权向量进行划分方式,为在Spark下MOEA/D的实现提出了新的方法。也就是说,在此基础上,本申请重点要解决的技术问题就是如何对种群进行划分,也就是分区。本申请选用权向量作为MOEA/D的分布式设计的基础,提供权向量分区的方法。在MOEA/D中,子问题是由权向量定义的,本申请提出的SparkMOEA/D将整体种群划分为多个分区,每个分区包含多个不同的子问题,并且在各个分区并行进化。
下面为了使本发明的目的、技术方案和优点更加清楚,将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例一
本申请实施例一提供了一种基于spark计算框架的MOEA/D分区方法,如图1所示,所述方法基于主从模式,包括:
步骤101:主机通过配置输入步骤、权向量排序步骤、权向量分区步骤对种群进行划分,并将种群划分后的各子问题分发到各个副机上计算,以及输出最终分区结果。
步骤102:各副机计算子问题完毕之后,将计算结果汇总至主机。
具体地,作为一个可执行方案,如图2所示,对于步骤101所述主机通过配置输入步骤、权向量排序步骤、权向量分区步骤对种群进行划分,并将种群划分后的各子问题分发到各个副机上计算,以及输出最终分区结果,具体可包括以下步骤:
步骤S11:主机配置输入MOEA/D分区所需相关参数;其中,MOEA/D分区所需相关参数包括多目标问题、停止准则、N:MOEA/D中定义的子问题个数、均匀分布的N个权向量:λ1,……,λN、T:每个权向量的邻居权向量个数、以及分区数量P。
步骤S12:对权向量λ1,……,λN按元素键值进行排序。
具体地,在一个实例中,对于步骤S12:对权向量λ1,……,λN按元素键值进行排序,可具体执行为:从输入的权向量λ1,……,λN中取出向量λ1,……,λN的任一个元素为键值,对剩余权向量进行从小到大排序,如果剩余权向量中任一元素与键值相等,则就从剩余权向量λ1,……,λN中取出任一个元素为键值重新进行比较,以此类推,完成权向量λ1,……,λN的排序。
也就是说,在Spark MOEA/D中包含整个种群的数个分区,每个分区有多个不同的子问题组成,这些子问题在各分区内可并行进化。在MOEA/D中,子问题是由权向量定义的。权向量越是靠近,它们的解在PF中越是靠近。为了定义分区,本文将所有的权向量以其中的一个元素为键值排序,例如,以第一个元素为键值,从小到大排序,若第一个元素相等,以第二个元素为键值比较大小,以此类推,对所有的权向量进行排序,具体排序流程可如图3所示。
举个例子:假设有权向量λ1=(3,2,1,5),λ2=(1,2,6,5),λ3=(1,2,1,5),λ4=(3,2,4,5),λ5=(3,3,1,5),λ6=(1,3,1,5),λ7=(5,2,7,5),λ8=(5,6,9,3),λ9=(4,5,8,4),按照上述方法进行排序,则排序后为:λ3=(1,2,1,5),λ2=(1,2,6,5),λ6=(1,3,1,5),λ1=(3,2,1,5),λ4=(3,2,4,5),λ5=(3,3,1,5),λ9=(4,5,8,4),λ7=(5,2,7,5),λ8=(5,6,9,3)。
步骤S13:将排序后的λ1,……,λN按间隔分区方法分为P组。
具体地,在一个实例中,对于步骤S13:将排序后的λ1,……,λNN按间隔分区的方法分为P组,可具体执行为:将排序后的前p个权向量依次分配给p个分区,作为p个分区的第一个向量;再依次将接下来的p个权向量分配给p个分区,作为p个分区的第二个权向量,以此类推,将排序后的λ1,……,λN按间隔分区的方法分为P组。
也就是说,在权向量排序的基础上,如果权向量数量为N,需要分为p个分区,则将排序后的前p个权向量依次分配给p个分区,作为p个分区的第一个向量;再依次将接下来的p个权向量分配给p个分区,作为p个分区的第二个权向量。按照间隔分区的思想是每个分区都在整个搜索空间内计算一部分PF,而所有分区的并集,就是整个搜索空间。如果将每个分区内计算的最优解做并集,则可以获得整个的PF。间隔分区在高维空间,同样可以利用权向量之间的距离,以此分配分区。具体分区流程图可如图4所示。
举个例子:根据以上权向量排序的结果:λ3=(1,2,1,5),λ2=(1,2,6,5),λ6=(1,3,1,5),λ1=(3,2,1,5),λ4=(3,2,4,5),λ5=(3,3,1,5),λ9=(4,5,8,4),λ7=(5,2,7,5),λ8=(5,6,9,3)
假设p=3,即分为三组,则得到分区结果如下:
第一组:
λ3=(1,2,1,5),λ1=(3,2,1,5),λ9=(4,5,8,4)
第二组:
λ2=(1,2,6,5),λ4=(3,2,4,5),λ7=(5,2,7,5)
第三组:
λ6=(1,3,1,5),λ5=(3,3,1,5),λ8=(5,6,9,3)
步骤S14:将P组权向量作为输入,配合MOEA/D分区所需相关参数,输入到MOEA/D中,得到P个MOEA/D实例。
步骤S15:将P个MOEA/D实例分配到各个副机运行,由各个副机分别计算种群分区后的各子问题。
步骤S16:从各个副机收集各子问题的解,将各子问题的解合并并取出被支配解,输出最终结果。
本申请实施例提供了一种基于spark计算框架的MOEA/D分区方法,所述方法基于主从模式,由主机通过配置输入步骤、权向量排序步骤、权向量分区步骤对种群进行划分,并将种群划分后的各子问题分发到各个副机上计算,各副机计算子问题完毕之后,将计算结果汇总至主机,由主机输出最终分区结果,从而解决了种群分区的问题。本文对基于Spark大数据计算框架的MOEA/D算法的探究,为大数据时代下解决多目标动态优化问题提供了新的方式。同时,通过对权向量进行划分方式,为Spark下MOEA/D算法的实现提出了新的思路。进一步地,可以利用本文中提出的基于Spark实现的MOEA/D算法解决具体的问题,利用具体的问题来不断完善算法及其应用场景,如解决大数据环境下的旅行商问题等。
实施例二
基于与本申请实施例一同一发明构思,本申请实施例二提供了一种基于spark计算框架的MOEA/D分区装置,如图5所示,所述装置基于主从模式,包括一个主机51和若干副机52;
所述主机51,可用于通过配置输入步骤、权向量排序步骤、权向量分区步骤对种群进行划分,并将种群划分后的各子问题分发到各个副机上计算,以及输出最终结果;
所述副机52,可用于计算子问题,并将计算结果上报至主机。
进一步地,作为一个可执行方案,所述主机1,可具体用于配置输入MOEA/D分区所需相关参数;其中,MOEA/D分区所需相关参数包括多目标问题、停止准则、N:MOEA/D中定义的子问题个数、均匀分布的N个权向量:λ1,……,λN、T:每个权向量的邻居权向量个数、以及分区数量P;对权向量λ1,……,λN按元素键值进行排序;将排序后的λ1,……,λN按间隔分区方法分为P组;将P组权向量作为输入,配合MOEA/D分区所需相关参数,输入到MOEA/D中,得到P个MOEA/D实例;将P个MOEA/D实例分配到各个副机运行,由各个副机分别计算种群分区后的各子问题;从各个副机收集各子问题的解,将各子问题的解合并,并取出被支配解,输出最终结果。
进一步地,在一个实例中,所述主机51,可具体用于从输入的权向量λ1,……,λN中取出向量λ1,……,λN的任一个元素为键值,对剩余权向量进行从小到大排序,λ1,……,λN中取出任一个元素为键值重新进行比较,以此类推,完成权向量λ1,……,λN的排序。
进一步地,在一个实例中,所述主机51,可具体用于将排序后的前p个权向量依次分配给p个分区,作为p个分区的第一个向量;再依次将接下来的p个权向量分配给p个分区,作为p个分区的第二个权向量,以此类推,将排序后的λ1,……,λN按间隔分区的方法分为P组。
实施例三
本申请实施例三还提供了一种计算设备,该计算设备具体可以为桌面计算机、便携式计算机、智能手机、平板电脑、个人数字助理(Personal Digital Assistant,PDA)等。该计算设备可以包括中央处理器(Center Processing Unit,CPU)、存储器、输入设备,输出设备等,输入设备可以包括键盘、鼠标、触摸屏等,输出设备可以包括显示设备,如液晶显示器(Liquid Crystal Display,LCD)、阴极射线管(Cathode Ray Tube,CRT)等。
存储器可以包括只读存储器(ROM)和随机存取存储器(RAM),并向处理器提供存储器中存储的程序指令和数据。在本申请实施例中,存储器可以用于存储MOEA/D分区方法的程序指令。处理器通过调用存储器存储的程序指令,处理器用于按照获得的程序指令执行:主机通过配置输入步骤、权向量排序步骤、权向量分区步骤对种群进行划分,并将种群划分后的各子问题分发到各个副机上计算,以及输出最终分区结果;各副机计算子问题完毕之后,将计算结果汇总至主机。
实施例四
本申请实施例四提供了一种计算机存储介质,用于储存为上述计算设备所用的计算机程序指令,其包含用于执行上述MOEA/D分区的程序。
所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (7)
1.一种基于spark计算框架的MOEA/D分区方法,其特征在于,所述方法基于主从模式,包括:
主机通过配置输入步骤、权向量排序步骤、权向量分区步骤对种群进行划分,并将种群划分后的各子问题分发到各个副机上计算,以及输出最终分区结果;
各副机计算子问题完毕之后,将计算结果汇总至主机。
2.如权利要求1所述的MOEA/D分区方法,其特征在于,所述主机通过配置输入步骤、权向量排序步骤、权向量分区步骤对种群进行划分,并将种群划分后的各子问题分发到各个副机上计算,以及输出最终分区结果,具体包括以下步骤:
步骤S11:主机配置输入MOEA/D分区所需相关参数;其中,MOEA/D分区所需相关参数包括多目标问题、停止准则、N:MOEA/D中定义的子问题个数、均匀分布的N个权向量:λ1,……,λN、T:每个权向量的邻居权向量个数、以及分区数量P;
步骤S12:对权向量λ1,……,λN按元素键值进行排序;
步骤S13:将排序后的λ1,……,λN按间隔分区方法分为P组;
步骤S14:将P组权向量作为输入,配合MOEA/D分区所需相关参数,输入到MOEA/D中,得到P个MOEA/D实例;
步骤S15:将P个MOEA/D实例分配到各个副机运行,由各个副机分别计算种群分区后的各子问题;
步骤S16:从各个副机收集各子问题的解,将各子问题的解合并,并取出被支配解,输出最终结果。
3.如权利要求2所述的MOEA/D分区方法,其特征在于,步骤S12:对权向量λ1,……,λN按元素键值进行排序,具体包括:
从输入的权向量λ1,……,λN中取出向量λ1,……,λN的任一个元素为键值,对剩余权向量进行从小到大排序,如果剩余权向量中任一元素与键值相等,则就从剩余权向量λ1,……,λN中取出任一个元素为键值重新进行比较,以此类推,完成权向量λ1,……,λN的排序。
4.如权利要求1所述的MOEA/D分区方法,其特征在于,步骤S13:将排序后的λ1,……,λN按间隔分区的方法分为P组,具体包括:
将排序后的前p个权向量依次分配给p个分区,作为p个分区的第一个向量;再依次将接下来的p个权向量分配给p个分区,作为p个分区的第二个权向量,以此类推,将排序后的λ1,……,λN按间隔分区的方法分为P组。
5.一种基于spark计算框架的MOEA/D分区装置,其特征在于,所述装置基于主从模式,包括一个主机和若干副机;
所述主机,用于通过配置输入步骤、权向量排序步骤、权向量分区步骤对种群进行划分,并将种群划分后的各子问题分发到各个副机上计算,以及输出最终结果;
所述副机,用于计算子问题,并将计算结果上报至主机。
6.一种计算设备,其特征在于,包括存储器和处理器,其中,所述存储器用于存储程序指令,所述处理器用于调用所述存储器中存储的程序指令,按照获得的程序指令执行如权利要求1~4任一所述的MOEA/D分区方法。
7.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机可执行指令,所述计算机可执行指令用于使所述计算机执行如权利要求1~4任一所述的MOEA/D分区方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810104382.0A CN108229063B (zh) | 2018-02-02 | 2018-02-02 | Moea/d分区方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810104382.0A CN108229063B (zh) | 2018-02-02 | 2018-02-02 | Moea/d分区方法、装置、设备及计算机存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229063A true CN108229063A (zh) | 2018-06-29 |
CN108229063B CN108229063B (zh) | 2021-05-28 |
Family
ID=62670754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810104382.0A Active CN108229063B (zh) | 2018-02-02 | 2018-02-02 | Moea/d分区方法、装置、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229063B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700154A (zh) * | 2014-12-23 | 2015-06-10 | 中国矿业大学 | 含不确定性的井下射频识别阅读器的高维多目标优化布局 |
CN104809476A (zh) * | 2015-05-12 | 2015-07-29 | 西安电子科技大学 | 一种基于分解的多目标进化模糊规则分类方法 |
CN106487036A (zh) * | 2016-11-04 | 2017-03-08 | 浙江工业大学 | 一种基于多目标优化算法的独立光伏拖动系统容量配置方法 |
US20170235848A1 (en) * | 2012-08-29 | 2017-08-17 | Dennis Van Dusen | System and method for fuzzy concept mapping, voting ontology crowd sourcing, and technology prediction |
CN107276843A (zh) * | 2017-05-19 | 2017-10-20 | 西安电子科技大学 | 一种基于Spark平台的多目标进化社区检测方法 |
-
2018
- 2018-02-02 CN CN201810104382.0A patent/CN108229063B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170235848A1 (en) * | 2012-08-29 | 2017-08-17 | Dennis Van Dusen | System and method for fuzzy concept mapping, voting ontology crowd sourcing, and technology prediction |
CN104700154A (zh) * | 2014-12-23 | 2015-06-10 | 中国矿业大学 | 含不确定性的井下射频识别阅读器的高维多目标优化布局 |
CN104809476A (zh) * | 2015-05-12 | 2015-07-29 | 西安电子科技大学 | 一种基于分解的多目标进化模糊规则分类方法 |
CN106487036A (zh) * | 2016-11-04 | 2017-03-08 | 浙江工业大学 | 一种基于多目标优化算法的独立光伏拖动系统容量配置方法 |
CN107276843A (zh) * | 2017-05-19 | 2017-10-20 | 西安电子科技大学 | 一种基于Spark平台的多目标进化社区检测方法 |
Non-Patent Citations (2)
Title |
---|
DEFU ZHANG等: "A Study of Distributed MOEA/D Based on Spark Framework", 《2017 IEEE 19TH INTERNATIONAL CONFERENCE ON HIGH PERFORMANCE COMPUTING AND COMMUNICATIONS; IEEE 15TH INTERNATIONAL》 * |
QINGFU ZHANG等: "MOEA/D: A Multiobjective Evolutionary Algorithm Based on Decomposition", 《IEEE TRANSACTIONS ON EVOLUTIONARY COMPUTATION》 * |
Also Published As
Publication number | Publication date |
---|---|
CN108229063B (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Miguel Antonio et al. | Decomposition-based approach for solving large scale multi-objective problems | |
Vakharia et al. | Cell formation in group technology: a combinatorial search approach | |
CN108804383B (zh) | 基于度量空间的支撑点并行枚举方法及装置 | |
Tanabe et al. | An analysis of control parameters of MOEA/D under two different optimization scenarios | |
Naim et al. | Community detection on the GPU | |
Arleo et al. | Large graph visualizations using a distributed computing platform | |
Chen et al. | $ d $ d-Simplexed: Adaptive Delaunay Triangulation for Performance Modeling and Prediction on Big Data Analytics | |
Zhu et al. | Single-cell clustering based on shared nearest neighbor and graph partitioning | |
CN109902019A (zh) | 一种基于多维权重的自动化测试分级方法及系统 | |
CN108833592A (zh) | 云主机调度器优化方法、装置、设备及存储介质 | |
Sato et al. | Parallel and distributed MOEA/D with exclusively evaluated mating and migration | |
CN108229063A (zh) | Moea/d分区方法、装置、设备及计算机存储介质 | |
Li et al. | An adaptive multiobjective evolutionary algorithm based on grid subspaces | |
Wang et al. | An improved biogeography/complex algorithm based on decomposition for many-objective optimization | |
CN111722923A (zh) | 一种异构资源的调用方法、装置和计算机可读存储介质 | |
CN115344383A (zh) | 一种基于进程并行的流线可视化并行加速方法 | |
García-Sánchez et al. | Distributed multi-objective evolutionary optimization using island-based selective operator application | |
US20210216573A1 (en) | Algorithm to apply a predicate to data sets | |
Yassir et al. | Graph-based model and algorithm for minimising big data movement in a cloud environment | |
CN108256694A (zh) | 基于重复遗传算法的模糊时间序列预测系统、方法及装置 | |
CN113128771B (zh) | 一种并行差分进化算法的昂贵函数寻优方法及其装置 | |
CN115185830A (zh) | 基于测试单元的用例生成方法、装置、设备及存储介质 | |
Kumar et al. | Distance histogram computation based on spatiotemporal uniformity in scientific data | |
de Camargo | A multi-GPU algorithm for communication in neuronal network simulations | |
CN110147804B (zh) | 一种不平衡数据处理方法、终端及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |