[发明专利]针对分离约束背包问题的一种协同的并行邻域搜索方法

说明书

本发明公开了本发明公开了一种针对分离约束背包问题(DCKP)的一种协同的并行邻域搜索方法。本发明采用基于MPI的并行计算模型,能够为并行编程提供灵活的消息传递。我们使用了一种分级的结构，上级线程类似于管理者，用来接收和分发从下级线程传递来的解信息。下级的各个处理线程通过上级联系起来，实现信息的交互。每个下级的处理线程都有不同的基本解和不同于其他线程的搜索策略，很好的实现了局部搜索的多样性，能帮助产生更优的解。另外我们的模型是健壮的，在处理中等规模和大规模实例都有很好的表现。

技术领域

本发明涉及一种针对分离约束背包问题(DCKP)的一种协同的并行邻域搜索方法，属于软件领域。

背景内容

现有的并行处理方法大多基于LNS(large neighbourhood search),称为PLNS,可看作是NLS的并行实现。NLS是一种局部搜索方法，通过随机建立和探索一系列的局部邻域来寻找质量比较好的解，这两个过程分别叫做建立过程(building procedure)和探索过程(exploring procedure)，但NLS方法的表现不够稳定。PLNS周期性的使用一个重定向过程来迫使每个LNS过程去探索同一基本解的邻域，基本解是从前一周期中的各LNS过程所提供的所有解中选择的，作为当前的最好解。PLNS其实就是同时在多个不同的线程上执行LNS，但是各个LNS线程之间是独立的，没有相互的通信，并且每个LNS过程都在同一基本解上进行搜索。虽然它的表现稳定了但是效果较NLS 并没有提升，而且在处理大规模实例时效果很差。

LNS的具体过程描述如下：

(注：b表示建立过程，e表示探索过程,si表示第i次迭代的开始解， n表示items的总数，a是区间[0,1]的一个常数。)

(1)使用b从开始解si生成一个新的独立集w；

这个步骤要用到一个随机的移除过程(removing procedure)，随机移除a*n个items，a是一个常数且a∈[0,1]。首先对所有的items 按利润质量比进行升序排序，然后在间隔[0,1]中生成一个随机数r, 要移除的item的索引k＝ni*rβ,其中β是个常数，ni是当前开始解所对应的独立集的大小。计算出k后，b移除item k以及和它有冲突的items j，且j和当前解所对应的独立集中的items f(f不等于k) 无冲突。重复以上过程直到移除的items达到a*n个。

(2)得到w后，使用e来搜索局部最优解。

e分为两个阶段，首先使用启发式方法H来从w生成一个可行解，然后使用DLSr或DLSr来改善当前可行解。最后得到的局部最优解作为一下次迭代的开始解。

(3)重复以上过程直到迭代次数到达。

DLS(Descent local search)也是一种局部搜索方法，通过交替的使用建立过程和探索过程来寻找更好的解。但这种方法在从开始解建立邻域时，会从开始解对应的独立集中移除固定数目的items，产生下降的解空间。DLSr是DLS的随机版本，每次移除随机数目的items。

PAMP算法：全称Random Adaptive Memory Programming。

禁忌搜索方法：一种元启发式(meta-heuristic)随机搜索算法，它从一个初始可行解出发，选择一系列的特定搜索方向(移动)作为试探，选择实现让特定的目标函数值变化最多的移动。为了避免陷入局部最优解，TS搜索中采用了一种灵活的“记忆”技术，对已经进行的优化过程进行记录和选择，指导下一步的搜索方向，这就是Tabu 表的建立。