面向并行启发式算法组的自动构建技术研究

发布时间：2021-08-12 05:54

　　在过去十年中,得益于大规模并行计算架构的广泛部署,人们可利用的计算资源得到了极大提升。如今,在为复杂计算问题设计求解器时,设计并行求解机制以有效利用并行计算平台已变得越来越重要。然而,人工设计并行求解器仍然是一项艰巨的工作。作为一种新的并行求解器设计范式,面向并行启发式算法组的自动构建技术（Automatic Construction of Parallel Heuristic-algorithm Portfolios,简称ACPP）在近年来逐渐成为研究热点。ACPP技术基于一组训练问题样例和一个算法配置空间自动构建出包含多个成员算法的并行算法组（Parallel Algorithm Portfolios,简称PAP）。由于PAP构建过程完全自动化,因而人力成本得到大幅减低。此外,PAP在实际运行时各成员算法相互独立地并行运行,这使得PAP可以无缝部署在工作站、服务器以及云计算环境下。由于具有低人力成本、易部署等优点,ACPP技术具有良好的发展和应用前景。然而,目前学术界对于ACPP的研究尚处于早期阶段,仍存在不少痛点、盲点亟待解决。本文旨在从理论和方法层面上对ACPP技术进行进一步探... 

【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校

【文章页数】：117 页

【学位级别】：博士

【部分图文】：

图１．１单基础算法和多基础算法的法配置空间

＊？??２?５００１??ｒｒ２?２?５００１??｜－［２．０??＜?＜??孟４００．?１?＞＞４００?１．５??ｌ?３００?ｇ?ｌ＾ＯＯ?ｉ．〇??ｉ：ｉｕｉ：丨：Ｌ?Ｉ：：??〇?０?１００?２００?〇?０?１００?２００??ｕ?ｉｎｓｔａｎｃｅｓ?（ｓｏｒｔｅｄ?ｂｙ?ｈａｒｄｎｅｓｓ）?ｕ?ｉｎｓｔａｎｃｅｓ?（ｓｏｒｔｅｄ?ｂｙ?ｈａｒｄｎｅｓｓ）??（ｃ）?ＬＫＨ－ｕｎｉｆｏｒｍ－４００?（ｄ）?ＬＫＨ－ｕｎｉｆｏｒｍ－１０００??图２．１各场景下性能矩阵的可视化表示。图中每个点表示５次运行的平均时间取以１０为??底的对数。颜色越深，时间越短。??简称ＰＡＲ－１０）。对ＰＡＲ－１０而言，值越小越好。表２．１详细总结了我们在为各场??景构造性能矩阵时所使用的设置。图２．１给出了各场景下性能矩阵的可视化表示，??可以看到，不同性能矩阵的数据分布差异很大，这说明我们的实验具有较好的代??表性。??为了方便，本节剩余部分中我们将使用“ｓｐｌｉｔＰｉ｜Ｐ２”来表示我们依次从２Ｐ??中无放回地随机选取了巧和Ａ个问题样例分别作为训练样例和测试样例。对??于给定算法配置０，我们总是使用性能估计器在训练样例上得到０的估计性能??（又叫训练性能），并使用０在测试样例上的性能作为其真实性能。我们使用??ｕｎｉｆｏｒｍ＿ｅｓ＿ｅｒｒｏｒ（０）表不在０中所有算法配置上的估计误差的最大值。最后，所??有实验均在一个运行ＣｅｎｔＯＳ，且具有１２８ＧＢ内存和２４个ＣＰＵ核心（２．２０ＧＨｚ，??３０ＭＢ缓存）的Ｘｅｏｎ机器上进行。??２４??

■丨?■■＿．■■■■?＇?ｉ?〇ｌ?ｉ?ｉ?ｉ?Ｉ．?ｎｌ?■?ｉ?＿?Ｊ?ｆｉ？?ｉ?ｉ?ｉ??Ｕ?ＳＵ?１Ｕ：?丨抽?ＡＵ?Ｕ?１．?Ａ?３Ｕ?＜Ｕ?＆Ｕ?ＶＪ?Ｕ?／Ｊ?？Ｊ?＆＇?Ｍ＇?Ｊｊ?Ｕ?Ｘ?Ｗ?Ｋ＇?０Ｕ?．ＵＵ?１＾．??Ｋ?Ｋ?Ｋ?Ｋ??（ｉ）?ＳＡＴｅｎｓｔｅｉｎ－ＱＣＰ?（ｊ）?ｃｌａｓｐ－ｗｅｉｇｈｔｅｄ－ｓｅｑｕｅｎｃｅ?（ｋ）?ＬＫＨ－ｕｎｉｆｏｒｍ－４００?（１）?ＬＫＨ－ｕｎｉｆｏｒｍ－１０００??图２．４?在ＡＴ、Ｍ和Ｘ取不同值时的一致性估计误差以及相应的拟合结果。??Ｓ?ｕ〇?￣￣?〇？?〇，?ｆｈ?（ｕｎｃｔｉｏｎ?２：——?ｆｉｔ?ｆｕｎｃｔｉｏｎ??ｆ?ｕｔ?｜?｜?—＾?ｕａｉｃ－？ｓ．ＯＴ〇ｒ（〇ｋｉ．Ｎ）?２?■■?ｉｒａｉｎ＿？＊ａｒｒｏｒ（０Ｋ（．Ｋ）??？？?ｓ＊?ｉ．?ｔ：：Ｊ??ｆ?＼??！？／?ｔ?Ｉ?Ｉ?ｊ??ｊ?Ｍ?ｆ?——?ｆｉｔ?ｆｕｎｃｔｉｏｎ?｜?Ｉ?ｆｈ?ｆｕｎｃｔｉｏｎ?１．１??Ｉ?＊＊?！??ｔｎｉｎ＿ｅｉ．ｅｆＴ〇ｒ（６ｂａＢ，?ｍ）?Ｉ?Ｕ?—?ｔｒａｉｎ．？ｓ．？ｒｒｏｒｉ６ｕｔＵ），?ｍ）?ｉ?ｉ＇＇??〇｜?＾?．?－Ｊ?＾?，?Ｊ??（ａ）?ｃｌａｓｐ－ｗｅｉｇｈｔｅｄ－ｓｅｑｕｅｎｃｅ?（ｂ）?ＬＫＨ－ｕｎｉｆｏｒｍ－１０００?（ｃ）?ＬＫＨ－ｕｎｉｆｏｒｍ－４００?（ｄ）?ＳＡＴｅｎｓｔｅｉｎ－ＱＣＰ??图２．５?在ＡＴ、Ｍ和欠取不同值时在ｆ上的估计误差以及相应的拟合结果。??为了验证定理２．７是否准确地反映了一致性估计误差


本文编号：3337723