14、多目标优化中的膜算法与种子遗传算法比较

多目标优化中的膜算法与种子遗传算法比较

1. 引言

在高性能计算（HPC）领域，调度独立任务在异构机器上运行是一个重要问题。随着应用程序变得越来越复杂，这些系统的机器数量（核心数）也在不断增加。中国的国防科技大学拥有一套拥有3,120,000个核心的HPC系统，性能达到33.9 Pflops，能耗为17.9兆瓦。尽管更多的核心提供了更强的计算能力，但也带来了更高的能源消耗，增加了经济成本和热量问题。因此，在调度任务时，需要在最大完成时间和能耗之间找到一个平衡点。

2. 多目标优化背景概念

多目标优化（MO）是指同时优化多个目标的问题，这些目标之间往往是相互冲突的。在调度问题中，我们通常需要优化两个目标：最大完成时间（make span）和能耗。由于这两个目标是相互冲突的，我们无法找到一个单一的最佳解，而是存在多个帕累托最优解（Pareto optimal solutions）。帕累托最优解是指在不恶化其他目标的情况下，无法再改进任何一个目标的解。

3. 膜算法与种子遗传算法

为了应对这一挑战，我们提出了两种多目标优化算法：膜算法和种子遗传算法。

3.1 膜算法

膜算法是一种基于群体搜索和局部搜索的多目标优化方法。它模仿细胞膜的结构和功能，通过在不同的膜结构中进行搜索，逐步逼近最优解。膜算法的主要优点是能够在全局和局部搜索之间取得良好的平衡，从而提高解的质量和多样性。

3.2 种子遗传算法

种子遗传算法是一种基于遗传算法的多目标优化方法，初始种群由高质量个体组成。遗传算法通过选择、交叉和变异等操作，逐步进化出更好的解。种子遗传算法的优势在于能够快速