马永格，吴钊



并行计算在MOEA/D-EGO算法中的应用

马永格1,2，吴钊1

(1. 湖北文理学院 数学与计算机科学学院，湖北 襄阳 441053；2. 中国地质大学 计算机学院，湖北 武汉 430074)

在MOEA/D-EGO算法中，当建模样本点集合元素太多和种群规模较大时，会导致算法运行时间过长. 为了减少MOEA/D-EGO算法的运行时间，文章对MOEA/D-EGO算法的建模过程和种群优化过程同时并行化. 在综合考虑实验条件限制的情况下，使用了基于主从式的并行模型，模型在充分考虑计算机资源的使用效率与负载均衡等因素下，增加了主进程的任务，主进程不仅需要为子进程分配计算任务、分发数据、进行算法配置、收集子进程返回的计算结果，还需要参与子进程的任务，完成与子进程相当量的计算任务. 实验结果表明文章的并行MOEA/D-EGO算法能有效求解多目标优化问题，且能够大幅缩短算法运行时间.

MOEA/D-EGO算法；并行计算；候选解；种群优化

由于MOEA/D-EGO[1]算法本身的以建模算法评价候选解策略和种群优化过程都是针对昂贵评价优化问题所设计，在求解某些类别的优化问题上已经是目前的最优的算法. 所以，使用并行计算[2]对MOEA/D-EGO算法并行化，以此来减少算法运行时间是更加合理的途径.

近年来，在使用并行演化算法来缩短算法在多目标优化问题上的求解时间，也被越来越多的学者所研究. 在2011年D.Logofatu和M.Gruber[3]结合MapReduce[4]与多目标演化算法用于数据压缩实例求解，并将算法应用于超大规模集成电路中寻找最小测试集的问题中，该框架仅适用于……