算法 - 并行元启发式算法

1. 并行元启发式算法的作用

• 提高搜索速度
• 提高所获得的解的质量
• 提高顽健性：在以有效方式解决不同的优化问题和给定问题的实例方面，并行元启发式算法可能比非并行类算法更强大
• 解决大规模问题

实现并行元启发式算法有两种方式：①从元启发式算法的角度来观察，依据单基和群基的并行元启发式算法来划分视图 $^1$ $^2$ $^3$；②采用更具全局性的分类法，该方法考虑到算法部分和并行环境的因素 $^4$。

2. 并行基于单一解的元启发式算法

常见的三种方法：

1. 邻域并行探索和评估（或并行移动模型）
       低级的主从模型，不改变技术行为，与顺序检索计算结果相同，但速度缓慢。每次迭代开始进行时，主机复制各分布式节点间的当前解。每个节点分别管理其候选者(or解)和邻域算子的应用，所得结果将返回至主机。
2. 并行多启动模型
       同时启动几个基于单一解的元启发式算法，以此计算出更好和更稳健的解，这样多个元启发式算法可以同时使用。基于单一解的元启发式算法可能是异构或同构的、独立或协作的，从相同或不同的解开始，并且可能配置相同或不同的参数。
   
3. 单一解（或移动加速模型）的并行评价
       每一次移动的水平以并行的集中方式加以评估。有趣的是，这一模型可以发现评估函数是否可以并行化为其CPU耗时and/or I/O密集。在这种情况下，该函数可视为能够并行运行且具有一定数量的部分函数集合。
   

3. 并行基于总体的元启发式算法

有两种并行方式：

• 计算并行化：并行执行每个个体共同应用的操作
• 总体并行化：在这种情况下，总体被分成不同的部分，可以简单地交换或单独演变，然后再合并

---

参考书籍《Metaheuristics for Big Data》
参考文献：
【1】Alba E . Parallel Metaheuristics: A New Class of Algorithms[J]. 2005.
【2】Alba E , Luque G , Nesmachnow S . Parallel Metaheuristics: Recent Advances and New Trends[J]. International Transactions in Operational Research, 2012, 20(1):1-48.
【3】Luque G , Alba E . Parallel Genetic Algorithms[J]. Computer, 2002, 27(6):17-26.
【4】Talbi，El-Ghazali.Metaheuristics: From Design to Implementation.John Wiley & Sons,New York, vol. 74, 2009.