基于GPGPU的ACO与PSO算法在员工排班问题上的对比分析
分布式、并行与集群计算
2022-03-24 v1
摘要
粒子群优化（PSO）与蚁群优化（ACO）简单、易于实现，相较于数学算法及其他启发式优化技术，其对控制参数具有鲁棒性且计算高效。PSO与ACO中的计算十分简单。与其他发展中的计算方法相比，它具有更强的优化能力且易于完成。它可用于求解许多NP难问题。员工排班是许多组织面临的现实生活中的NP难问题。在所有情境下由员工自行排班并非总是切实可行。护士排班属于高度受限的资源分配问题，需将资源分配到合法班次的时段中。早期该问题使用不同的启发式算法求解。在本论文中，我们提出了基于GPGPU的PSO与ACO并行化方法以求解员工排班问题。为并行化这两种算法，采用了主从模式。实验使用BCV 8.13.1数据集。基于均值、标准差、标准均值误差对结果进行分析。关键词：员工排班、并行化、PSO、GPGPU。
引用
@article{arxiv.2203.12239,
title = {Comparative Analysis of GPGPU based ACO and PSO Algorithm for Employee Scheduling Problems},
author = {Harsha R. Gaikwad and Pradnyarani K. Mahind and Sandeep U. Mane},
journal= {arXiv preprint arXiv:2203.12239},
year = {2022}
}
备注
1st National P. G. Conference RIT NCon PG - 2015