五、并行遗传算法
笔者最近在学习遗传算法，希望可以通过笔记对遗传算法做一个简要的介绍与记录。也欢迎小伙伴们一起学习交流。
文章目录
5.1 遗传算法的并行化
5.1.1 遗传算法并行化的目的
遗传算法的主要目的是 提高遗传算法的运行速度
5.1.2 遗传算法的并行性分析
- 个体适应度评价的并行性
- 整个群体中各个个体适应度评价的并行性
- 子代群体产生过程的并行性
- 基于群体分组的并行性
5.1.3 并行遗传算法的实现方法分类
- 标准并行方法
- 分解型并行方法
5.1.4 并行遗传算法的硬件支持环境及性能评价
- 加速比：
S p = T 1 T p S_p=\frac{T_1}{T_p} Sp=TpT1
5.2 实现并行遗传算法的标准型并行方法
5.2.1 标准型并行方法的基本思想
遗传算法的第一种并行性，即个体适应度评价的并行性，它依赖于所处理的问题。
遗传算法的第二种、第三种并行性，实对群体中各个个体进行遗传操作的并行性。在实现的时候，在一个全局调度，协调机构的作用下，各台处理机分别对各个个体进行适应度评价，并在同步信号的作用下，多个处理机共同参与全部个体在全局存储器中进行的选择、交叉和变异等遗传运算。
5.3 使用并行遗传算法的分解型并行方法
5.3.1 分解型并行方法的基本思想
推荐这种算法。
但是还有如下的几个问题：
- 子群的划分方式
- 粗粒度还是细粒度
- 信息交换方式
- 参加信息交换的对象
- 交换信息的内容
- 交换时间或者频率
- 交换信息量
5.3.2分解型并行遗传算法的形式化定义与描述
并行遗传算法可以形式化地定义一个6元组：
P
G
A
=
(
D
M
M
,
X
,
Z
,
Δ
,
Θ
,
S
G
A
)
PGA=(DMM,X,Z,\Delta,\Theta,SGA)
PGA=(DMM,X,Z,Δ,Θ,SGA)
其中，DMM是实现并行遗传算法的并行机或者局域网中各个处理器
p
i
p_i
pi所组成的集合。X是各处理器信息交换对象所组成的集合
Z是信息交换的内容
Δ
\Delta
Δ是进行信息交换的时间间隔或者频率
Θ
\Theta
Θ 信息交换时的个体替换操作算子
SGA是各处理机上运行的基本遗传算法
5.3.3 子群体信息交换模型
- 踏脚石群体模型
这个模型的各个子群体中所含个体的数量多于1，各个子群体在其处理机上并行独立地运行简单遗传算法，子群体间的信息交换只能在地理上邻接处理机之间进行。 - 岛屿群体模型
也叫粗粒度并行遗传算法。在这个模型中每个处理机上子群体所含的个体数量大于1，各个子群体在其各自的处理机上的并行独立地运行简单遗传算法，并且以随机的时间间隔、在随机选择的处理机之间交换个体信息。 - 邻居群体模型
也叫做 细粒度并行遗传算法。该模型中每个处理机上只分配一个个体，即子群体只由一个个体组成，每个子群体之和与其海明距离为1的“邻居”子群体相互交换信息。
异步并行优化策略就是基于该模型的一个并行遗传算法
5.4 伪并行遗传算法
5.4.1 伪并行遗传算法的基本思想
在简单遗传算法中利用并行遗传算法的思想，将群体划分为一些子群体，个子群体按一定的模式分别进行独立进化，在适当的时候某一些子群体之间交换一些信息。这样就可以维持群体的多样性，从而达到抑制早熟现象的效果。
5.4.2 伪并行遗传算法描述
5.4.3 伪并行遗传算法在多峰值函数全局最优化计算中的应用
总结
这就是并行遗传算法的基本内容了，并行的方法是解决 早熟的一种方式，可以进行提高遗传算法的速度。标签：5.1,5.3,并行,笔记,并行性,遗传算法,群体 来源： https://blog.csdn.net/qq_48081868/article/details/120374563
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。