【技术实现步骤摘要】
本专利技术涉及遗传算法、矩阵化，是一种通用型的基于矩阵化的高效并行遗传算法和装置。
技术介绍
1、gpu已经成为加速机器学习算法的强大工具，包括遗传算法(ga)。由于进化计算群体内个体间的固有独立性，将种群分为多个子种群，实现粗粒度并行演化是可行的。最初设计在cpu架构上的三种常规方法，即主从模型、岛模型和元胞模型，已成功地转移到gpu架构上，实现了一定程度的加速。然而，仅实现粗粒度并行化未能充分利用可用的硬件资源，无法最大程度地提高优化效率。此外，这些方法需要对gpu架构和cuda编程技能有扎实的了解，这可能对一些研究人员和从业者来说不够友好。为了解决这些问题，通过优化传统遗传算法的进化操作，以矩阵运算的方式在gpu上执行，实现了更细致的并行化，从而显著提升计算效率。
技术实现思路
1、本专利技术旨在克服现有技术的局限性，提供一种基于矩阵化的高效并行遗传算法和装置。本专利技术涉及将遗传算法(ga)模型转换为矩阵运算的形式，以充分利用gpu并行处理的潜能。整个过程基于cupy构建，这是一种能够在gpu上加速计算的库，使得遗传算法能够在更大数据集上高效运行。
2、本专利技术采用的技术方案：一种基于矩阵化的高效并行遗传算法，包括如下步骤：
3、s1：针对遗传算法的种群初始化操作，将种群进行排列形成矩阵结构；
4、s2：针对遗传算法的交叉操作，生成相应交叉矩阵，与种群矩阵进行计算模拟交叉过程；
5、s3：针对遗传算法的变异操作，生成相应变异
6、s4：针对遗传算法的选择操作，设计适合矩阵化的适应度函数计算适应度值，计算适应度值，再进行选择操作。
7、所述步骤s1中，针对遗传算法的种群初始化操作，将种群进行排列形成矩阵结构，具体包括：根据任务需要初始化矩阵化种群，采用随机策略任意选择节点或者边。每个初始解为：individuali＝[genei1 … geneik]。整体种群可以写成：
8、
9、所述步骤s2中，针对遗传算法的交叉操作，生成相应交叉矩阵，与种群矩阵进行计算模拟交叉过程。基因交叉过程被转化为种群矩阵与随机二进制矩阵(交叉矩阵)的逐元素乘法。具体包括：根据预设的交叉率pc，生成一个s×k的二进制矩阵作为交叉矩阵：
10、
11、
12、其中tcij表示种群中第i个体的第j个基因是否进行交叉。
13、
14、
15、shuffle(pop)是通过对当前种群矩阵pop进行行重排操作得到的矩阵，并且被平均分为两部分，pc1和pc2，代表两组父母个体。c_pop表示经过交叉操作后的种群，是交叉矩阵rc的取反(将1和0互换)。
16、所述步骤s3中，针对遗传算法的变异操作，生成相应变异矩阵，与种群矩阵进行计算模拟变异过程。基因变异过程被转化为种群矩阵与随机二进制矩阵(变异矩阵)的逐元素乘法。具体包括：根据变异率pm生成了一个大小为s×k的二进制矩阵rm：
17、
18、
19、其中tmij表示种群中第i个个体的第j个基因是否进行突变。变异矩阵rm确保矩阵中1的总比例大致等于pm，满足实际变异率的要求。接着，通过矩阵操作进行变异的操作：
20、
21、其中r_pop是使用随机方式生成的随机种群。使得经交叉后的种群c_pop需要进行突变的位点被设为零，并用随机种群r_pop中相应位置的基因替换这些零元素。
22、所述步骤s4中，针对遗传算法的选择操作，设计适应于矩阵化的适应度函数计算适应度值，计算适应度值，再进行选择操作。选择操作通过将当前世代的原始种群与m_pop结合，保留两个种群矩阵中适应性较高的个体，同时消除适应性较低的个体。采用优先保留策略，即保留来自两个种群矩阵中适应性较高的个体，直到达到所需的种群规模为止。保留的种群矩阵随后被用作下一代的初始种群。选择过程可以使用以下公式实现：
23、
24、其中fit()是计算每个个体适应度值的函数，输出一个大小为s×1的适应度值矩阵。sort()是按降序对得到的适应性值矩阵进行排序，因此可以根据排序结果的索引对种群矩阵进行排序，从而得到一个按行主序拆分成两等分的排序和合并矩阵，中保留的是两个种群中适应性较高的个体作为下一代的初始种群，而n_pop2表示需要删除的适应性较低的个体。
25、本专利技术的第二个方面涉及基于矩阵化的高效并行遗传计算装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现本专利技术所述的基于矩阵化的高效并行遗传算法。
26、本专利技术的第三个方面涉及一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现本专利技术所述的基于矩阵化的高效并行遗传算法。
27、本专利技术是一种针对复杂网络中扰动子结构优化pso(perturbed substructureoptimization)的高效并行遗传算法，包括将传统遗传算法的初始化、交叉、变异和选择环节转换为适应在gpu上并行计算的矩阵形式；针对复杂网络的pso任务，设计适应于gpu加速的适应度计算函数。这一方法的目标是利用gpu并行计算的优势，加速pso过程，从而有效获得在复杂网络中进行扰动子结构优化问题的更高效的解决方案。
28、本专利技术的优点在于：
29、现有技术方案中，利用gpu加速遗传算法仅仅实现粗粒度并行化，未能充分利用可用的硬件资源，无法最大程度地提高优化效率。本专利技术利用gpu加速矩阵运算，相比传统的cpu计算方式，大大提高了任务处理的计算速度。整个过程基于cupy构建，这是一种能够在gpu上加速计算的库，不需要使用cuda编程，并使得遗传算法能够再更大的数据集上高效运行。
本文档来自技高网...【技术保护点】
1.一种基于矩阵化的高效并行遗传算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于矩阵化的高效并行遗传算法，其特征在于:所述步骤S1中，针对遗传算法的种群初始化操作，将种群进行排列形成矩阵结构；具体包括：根据任务需要初始化矩阵化种群，采用随机策略任意选择解；每个初始解为：individuali＝[genei1 … geneik]；整体种群可以写成：
3.根据权利要求1所述的一种基于矩阵化的高效并行遗传算法，其特征在于:所述步骤S2中，针对遗传算法的交叉操作，生成相应交叉矩阵，与种群矩阵进行计算模拟交叉过程；基因交叉过程被转化为种群矩阵与随机二进制矩阵(交叉矩阵)的逐元素乘法；具体包括：
4.根据权利要求1所述的一种基于矩阵化的高效并行遗传算法，其特征在于:所述步骤S3中，针对遗传算法的变异操作，生成相应变异矩阵，与种群矩阵进行计算模拟变异过程；基因变异过程被转化为种群矩阵与随机二进制矩阵(变异矩阵)的逐元素乘法；具体包括：根据变异率pm生成了一个大小为s×k的二进制矩阵RM：
5.根据权利要求1所述的一种基于矩阵化的
6.基于矩阵化的高效并行遗传计算装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-5之一所述的基于矩阵化的高效并行遗传算法。
7.一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现权利要求1-5之一所述的基于矩阵化的高效并行遗传算法。
...【技术特征摘要】
1.一种基于矩阵化的高效并行遗传算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于矩阵化的高效并行遗传算法，其特征在于:所述步骤s1中，针对遗传算法的种群初始化操作，将种群进行排列形成矩阵结构；具体包括：根据任务需要初始化矩阵化种群，采用随机策略任意选择解；每个初始解为：individuali＝[genei1 … geneik]；整体种群可以写成：
3.根据权利要求1所述的一种基于矩阵化的高效并行遗传算法，其特征在于:所述步骤s2中，针对遗传算法的交叉操作，生成相应交叉矩阵，与种群矩阵进行计算模拟交叉过程；基因交叉过程被转化为种群矩阵与随机二进制矩阵(交叉矩阵)的逐元素乘法；具体包括：
4.根据权利要求1所述的一种基于矩阵化的高效并行遗传算法，其特征在于:所述步骤s3中，针对遗传算法的变异操作，生成相应变异矩阵，与种群矩阵进行计算模拟变异过程；基因变异过程被转化为种群矩阵与随机二进制矩阵(变异矩阵)的逐元素乘法；具体包...
【专利技术属性】
技术研发人员：俞山青，方虚，李家祥，王甬琪，王金焕，宋亦聃，宣琦，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。