6、并行平台与模型在进化多目标优化中的应用

并行平台与模型在进化多目标优化中的应用

1. 引言

在多种学科中，自然会出现具有两个或更多（通常是冲突的）目标的问题。这类问题被称为“多目标”问题，它们不是只有一个解决方案，而是一组解决方案，这些解决方案统称为“帕累托最优解集”。帕累托最优解集中的所有解决方案都是同等优秀的，并且在所有目标之间代表了最佳的权衡。进化算法（EAs）在过去几年里变得非常流行，尤其是在解决多目标优化问题（MOPs）方面。多目标进化算法（MOEAs）的日益普及主要是因为它们相对于传统数学规划技术的灵活性和易用性。

然而，许多现实世界中的MOPs在CPU时间上要求非常高，这可能会限制MOEAs的适用性，因为它们通常需要大量的目标函数评估才能获得相对较好的结果。使用并行计算是解决这些问题的一个明显选择，它不仅能够减少时间，还能在许多其他方面带来好处，例如使用更多的内存、更大的种群大小、提高种群多样性、降低找到次优解的概率，以及与其他搜索技术（包括非进化技术）并行合作。

2. 并行架构分类

并行架构是实现并行多目标进化算法（PMOEAs）的基础。本节将介绍并行架构的分类，特别强调MIMD架构（Multiple Instruction Stream, Multiple Data Stream），这是当前最常用的并行平台。

2.1 MIMD架构

MIMD架构允许多个处理器各自执行不同的指令流，并处理不同的数据流。这种架构适合处理复杂的、多样化的计算任务，因为它可以灵活分配计算资源，适应不同的计算需求。以下是MIMD架构的主要特点：

• 多指令流 ：每个处理器可以执行不同的指令序列。