[發明專利]一種異構系統的并行混合人工蜂群方法

在審

• 申請號: 201410645481.1
• 申請日: 2014-11-10
• 公開（公告）號: CN104463322A
• 公開（公告）日: 2015-03-25
• 發明（設計）人: 王婭娟;張廣勇;吳韶華;沈鉑;盧曉偉;吳慶;張清
• 申請（專利權）人: 浪潮（北京）電子信息產業有限公司
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06F9/38
• 代理公司: 北京安信方達知識產權代理有限公司 11262
• 代理人: 王丹;李丹

技術領域

本發明涉及機器學習領域、高性能計算領域，尤其涉及高性能計算中的異構計算領域，涉及一種異構系統的并行混合人工蜂群方法。

背景技術

優化問題是一個古老的話題，優化問題的探索也是人類一直的研究主題之一。隨著經濟的發展與社會進歩，優化問題取得不斷發展的同時，新的挑戰也隨之而來。總的來說，新型優化問題有以下幾個主要特征：高維、大量的限制條件、多峰值以及不連續。而傳統優化方法主要利用數學解析、迭代求解等方法來解決實際問題。雖然這些方法具有完備的理論分析和數學證明，在連續、低維優化問題上也取得了良好效果，但是對于多峰、高維以及不連續的優化問題卻顯得無能為力。

傳統優化算法一般都有明確目標，這也是其在復雜高維問題上沒有良好表現的主要原因之一。于是，學者們開始探尋更好的方法來解決這些問題。生物自然界中有許多群體智能生物，如飛鳥、魚、昆蟲等。其中單個個體只有簡單智能，但由個體組成的群體卻表現出遠遠超出個體相加的智能，它們相互協調與合作的自組織能力能夠很好的完成復雜精細的任務。特別是近幾十年，隨著人們對自然現象更深入的理解，提出了具有較強適用性的優化方法——智能優化算法，這為解決復雜大系統問題創造了條件。這類型的算法主要有蟻群算法(Ant?Colony?Optimization,ACO)、模擬退火算法(Simulated?Annealing,SA)、粒子群優化算法、人工蜂群算法等。

其中，人工蜂群算法(Artificial?Bee?Colony,ABC)是一種基于群體智能的全局優化算法，同其它算法相比，該算法具有實現簡單、參數少和尋優速度快等特點。人工蜂群算法最初由Karaboga提出，受啟發于人工生命、社會心理學和群體理論的一些知識。同時，人工蜂群算法也是一種進化計算，同其他演化計算類似，人工蜂群算法隨機初始化一組種群解，循環迭代進化尋優。作為典型的群體智能優化算法之一，人工蜂群算法是一種基于種群的啟發式搜索算法，它能充分利用群體中個體之間的相互協作與信息共享，在蜂巢周圍尋找食物最豐富、路徑最短的食物源。

在人工蜂群算法中，蜜蜂采蜜的過程(即尋找高質量的蜜源)類似于進化計算中的尋找待優化問題中最優解的過程。在采蜜模型中，蜜源表示可能的解，采蜜行為相當于搜索最優解，蜜源質量可視為適應度函數，此函數決定整個算法的進化方向。

人工蜂群算法的主要步驟描述如下：

Step?l：設置初始參數：種群數量、最大循環次數、維數等，其中采蜜蜂和觀察蜂各一半；

Step?2：初始化，并計算蜜源適宜度值，進入循環；

Step?3：采蜜蜂采蜜并共享蜜源信息階段；

Step?4：觀察蜂獲得蜜源信息，并選擇蜜源采蜜階段；

Step?5：經過有限次數后，蜜源適宜度仍不達標則放棄，采蜜蜂變為偵察蜂繼續搜索，并按(公式1.1)更新位置；

Step?6：記錄最優解并循環次數加1，判斷是否滿足停止條件(通常是最大迭代代數)，若是則結束，否則轉到Step?3。

??(公式1.1)

人工蜂群算法廣泛應用在現實生活中的各個方面，可以說，人工蜂群算法基本可以解決凡是遺傳算法等進化算法能解決的優化問題。可以利用人工蜂群算法來訓練神經網絡，比如探尋最優權重；或用人工蜂群算法來求解TSP(Traveling?Salesman?Problem,TSP)和JSP(Job-Shop?Schedule?Problem,JSP)。

英特爾(Intel)公司推出的眾核(Many?Integrated?Core，MIC)處理器面向高性能計算(High?Performance?Computing,HPC)領域，旨在引領行業進入百億億次計算時代，其在計算機體系中，并非欲取代CPU，而是作為協處理器存在。跟通用的多核至強處理器相比，眾核處理器具有更小的內核和硬件線程，眾核處理器計算資源密度更高，片上通信開銷顯著降低，具有更多的晶體管和能量，能夠勝任更為復雜的并行應用。

Intel?MIC產品基于X86架構，MIC芯片通常有數十個精簡的x86核心，提供高度并行的計算能力。眾核處理器，包含50個以上的核心，以及512bit的向量位寬，雙精性能超過1TFlops。