7、并行多目标进化算法的应用与性能评估

并行多目标进化算法的应用与性能评估

1 引言

在多目标优化问题中，传统的单目标优化方法往往难以满足复杂问题的需求。多目标进化算法（MOEAs）因其灵活性和易用性，在过去几年中受到了广泛关注。然而，许多现实世界中的多目标优化问题（MOPs）对CPU时间的要求非常高，这使得MOEAs的适用性受到了限制。为了在合理的时间内解决问题，使用并行计算成为了一个显而易见的选择。

并行多目标进化算法（PMOEAs）不仅能够减少计算时间，还在许多其他方面具有吸引力。例如，它们可以使用更多的内存来应对更困难的问题，允许使用更大的种群大小，提高种群多样性，降低找到次优解的概率，并且可以与其他搜索技术（包括非进化技术）并行合作。

2 并行架构概述

在实现PMOEAs时，选择合适的并行架构至关重要。以下是几种常见的并行架构：

2.1 SIMD架构（Single Instruction Stream, Multiple Data Stream）

SIMD架构通过单条指令同时处理多个数据流，适用于高度并行化的任务。然而，在多目标优化中，由于每个个体的评估过程可能涉及不同的计算，SIMD架构的应用受到一定限制。

2.2 MIMD架构（Multiple Instruction Stream, Multiple Data Stream）

MIMD架构允许多个处理器执行不同的指令序列，处理不同的数据流。这种架构非常适合多目标优化问题，因为它能够灵活地分配任务，适应不同个体的计算需求。

2.3 全球元计算

全球元计算是一种新的并行计算形式，允许共享计算资源以构建大型