本文主要是介绍《遗传算法原理及应用》笔记—并行遗传算法，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

五、并行遗传算法

笔者最近在学习遗传算法，希望可以通过笔记对遗传算法做一个简要的介绍与记录。也欢迎小伙伴们一起学习交流。

文章目录

• 五、并行遗传算法
• 5.1 遗传算法的并行化
• • 5.1.1 遗传算法并行化的目的
  • 5.1.2 遗传算法的并行性分析
  • 5.1.3 并行遗传算法的实现方法分类
  • 5.1.4 并行遗传算法的硬件支持环境及性能评价
• 5.2 实现并行遗传算法的标准型并行方法
• • 5.2.1 标准型并行方法的基本思想
• 5.3 使用并行遗传算法的分解型并行方法
• • 5.3.1 分解型并行方法的基本思想
  • 5.3.2分解型并行遗传算法的形式化定义与描述
  • 5.3.3 子群体信息交换模型
• 5.4 伪并行遗传算法
• • 5.4.1 伪并行遗传算法的基本思想
  • 5.4.2 伪并行遗传算法描述
  • 5.4.3 伪并行遗传算法在多峰值函数全局最优化计算中的应用
• 总结

5.1 遗传算法的并行化

5.1.1 遗传算法并行化的目的

遗传算法的主要目的是 提高遗传算法的运行速度

5.1.2 遗传算法的并行性分析

1. 个体适应度评价的并行性
2. 整个群体中各个个体适应度评价的并行性
3. 子代群体产生过程的并行性
4. 基于群体分组的并行性

5.1.3 并行遗传算法的实现方法分类

1. 标准并行方法
2. 分解型并行方法

5.1.4 并行遗传算法的硬件支持环境及性能评价

• 加速比：
  S p = T 1 T p S_p=\frac{T_1}{T_p} Sp​=Tp​T1​​

5.2 实现并行遗传算法的标准型并行方法

5.2.1 标准型并行方法的基本思想

  遗传算法的第一种并行性，即个体适应度评价的并行性，它依赖于所处理的问题。
  遗传算法的第二种、第三种并行性，实对群体中各个个体进行遗传操作的并行性。在实现的时候，在一个全局调度，协调机构的作用下，各台处理机分别对各个个体进行适应度评价，并在同步信号的作用下，多个处理机共同参与全部个体在全局存储器中进行的选择、交叉和变异等遗传运算。

5.3 使用并行遗传算法的分解型并行方法

5.3.1 分解型并行方法的基本思想

推荐这种算法。
但是还有如下的几个问题：

1. 子群的划分方式
   • 粗粒度还是细粒度
2. 信息交换方式
   • 参加信息交换的对象
   • 交换信息的内容
   • 交换时间或者频率
   • 交换信息量

5.3.2分解型并行遗传算法的形式化定义与描述

并行遗传算法可以形式化地定义一个6元组：
P G A = ( D M M , X , Z , Δ , Θ , S G A ) PGA=(DMM,X,Z,\Delta,\Theta,SGA) PGA=(DMM,X,Z,Δ,Θ,SGA)
其中，DMM是实现并行遗传算法的并行机或者局域网中各个处理器 p i p_i pi​所组成的集合。X是各处理器信息交换对象所组成的集合
Z是信息交换的内容
Δ \Delta Δ是进行信息交换的时间间隔或者频率
Θ \Theta Θ 信息交换时的个体替换操作算子
SGA是各处理机上运行的基本遗传算法

5.3.3 子群体信息交换模型

1. 踏脚石群体模型
   这个模型的各个子群体中所含个体的数量多于1，各个子群体在其处理机上并行独立地运行简单遗传算法，子群体间的信息交换只能在地理上邻接处理机之间进行。
2. 岛屿群体模型
   也叫粗粒度并行遗传算法。在这个模型中每个处理机上子群体所含的个体数量大于1，各个子群体在其各自的处理机上的并行独立地运行简单遗传算法，并且以随机的时间间隔、在随机选择的处理机之间交换个体信息。
3. 邻居群体模型
   也叫做 细粒度并行遗传算法。该模型中每个处理机上只分配一个个体，即子群体只由一个个体组成，每个子群体之和与其海明距离为1的“邻居”子群体相互交换信息。
     异步并行优化策略就是基于该模型的一个并行遗传算法

5.4 伪并行遗传算法

5.4.1 伪并行遗传算法的基本思想

  在简单遗传算法中利用并行遗传算法的思想，将群体划分为一些子群体，个子群体按一定的模式分别进行独立进化，在适当的时候某一些子群体之间交换一些信息。这样就可以维持群体的多样性，从而达到抑制早熟现象的效果。

5.4.2 伪并行遗传算法描述

5.4.3 伪并行遗传算法在多峰值函数全局最优化计算中的应用

总结

这篇关于《遗传算法原理及应用》笔记—并行遗传算法的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！