利用蚁群优化算法在多种硬件方案上加速供应链问题求解
神经与进化计算
2020-01-23 v1 分布式、并行与集群计算
摘要
蚁群算法已被应用于各种优化问题，然而以往关于扩展性与并行性的工作大多聚焦于旅行商问题（TSP）。尽管 TSP 对基准测试和新思路比较很有用，但其算法动态并不总是能迁移到复杂的现实问题中，因为后者在解构建过程中需要额外的元数据。本文研究了一个现实中的 outbound 供应链问题，使用蚁群优化（ACO）算法，并考察其在两种并行 ACO 架构——独立蚁群（IAC）与并行蚂蚁（PA）——下的扩展动态。结果表明，随着并行实例数量增加，PA 能够在更少迭代次数内达到更高的解质量。此外，我们在三种不同硬件方案上测得了速度性能——16 核 CPU、68 核 Xeon Phi 以及最多 4 块 Geforce GPU。我们利用 C++ 和 CUDA 实现了诸如 SS-Roulette 等最先进的 ACO 向量化技术。尽管该技术对 TSP 极为有效，但结论指出，对于给定的供应链问题，由于所需的元数据访问足迹，GPU 并不适用。此外，与顺序对应实现相比，向量化 CPU AVX2 实现在 CPU 上实现了 25.4 倍加速，而采用 AVX512 指令集的 Xeon Phi 在带向量化的 PA（PAwV）上达到了 148 倍加速。因此，PAwV 能够在所求解的供应链网络问题上至少扩展到 1024 个并行实例。
引用
@article{arxiv.2001.08102,
title = {Accelerating supply chains with Ant Colony Optimization across range of hardware solutions},
author = {Ivars Dzalbs and Tatiana Kalganova},
journal= {arXiv preprint arXiv:2001.08102},
year = {2020}
}