[发明专利]MOEA/D分区方法、装置、设备及计算机存储介质

说明书

本申请公开了一种基于spark计算框架的MOEA/D分区方法、装置、设备及计算机存储介质，所述方法基于主从模式，由主机通过配置输入步骤、权向量排序步骤、权向量分区步骤对种群进行划分，并将种群划分后的各子问题分发到各个副机上计算，各副机计算子问题完毕之后，将计算结果汇总至主机，由主机输出最终分区结果，从而解决了种群分区的问题。本申请通过适应基于分布式计算的计算框架来实现其并行化，为大数据时代下解决多目标动态优化问题提供了新的方式，通过对权向量进行划分方式,为在Spark下MOEA/D的实现提出了新的方法。

技术领域

本申请涉及优化算法技术领域，尤其涉及一种基于spark计算框架的MOEA/D分区方法、装置、设备及计算机存储介质。

背景技术

现实生活中的优化问题,可以分为两类：单目标优化问题(Single-objectiveOptimization Problem,SOP)和多目标优化问题(Multi-objective OptimizationProblem,MOP)。单目标优化问题，即在优化时只考虑一个目标，否则,则称为多目标优化问题。多目标优化问题是现实中经常遇到的问题，如工业设计中，成本与质量就是一对相互冲突的目标。通常人们希望能在同一成本水平下，得到质量最优的产品。然而，不同成本水平下，能得到不同的最优质量的产品。这是一个典型的二目标优化问题。一般而言,为了有利于决策者做决策，需要计算出在不同成本下最优质量的组合。这些组合可以由多目标优化算法非常快速而准确地提供。大量的研究表明，为了快速而准确地解决现实世界中的多目标问题，多目标进化算法已经成为一个普遍的工具。

与此同时，在这个互联网数据爆炸式增长的时代，随着数据量的膨胀，基于单机的算法面对海量数据显得有些力不从心。显然，将算法并行化或者分布式实现是应对大数据发展行之有效的策略。但在基于分解的多目标进化算法MOEA/D(Multi-objectiveevolutionary algorithm,MOEA)领域，比较普遍的做法是做并行计算，且MOEA/D在Spark中尚未有实现，因此，在数据急速增长的时代下，亟需提供一种基于主从模式的MOEA/D的分区方法。

发明内容

本申请实施例提供了一种基于spark计算框架的MOEA/D分区方法、装置、设备及计算机存储介质，所设计的Spark MOEA/D是基于主从(Master-Slave)模式，其中，Master的工作在于对于种群进行划分，然后将子问题分发到各个Slave上计算，在各Slave计算完毕之后，再将结果汇总至Master，由Master输出最终分区结果，从而解决了种群分区的问题。

第一方面，本申请实施例提供的一种基于spark计算框架的MOEA/D分区方法，所述方法基于主从模式，包括：

主机通过配置输入步骤、权向量排序步骤、权向量分区步骤对种群进行划分，并将种群划分后的各子问题分发到各个副机上计算，以及输出最终分区结果；

各副机计算子问题完毕之后，将计算结果汇总至主机。

具体地，作为一个可执行方案，所述主机通过配置输入步骤、权向量排序步骤、权向量分区步骤对种群进行划分，并将种群划分后的各子问题分发到各个副机上计算，以及输出最终分区结果，具体包括以下步骤：

步骤S11：主机配置输入MOEA/D分区所需相关参数；其中，MOEA/D分区所需相关参数包括多目标问题、停止准则、N：MOEA/D中定义的子问题个数、均匀分布的N个权向量：λ¹，……，λ^N、T：每个权向量的邻居权向量个数、以及分区数量P；

步骤S12：对权向量λ¹，……，λ^N按元素键值进行排序；

步骤S13：将排序后的λ¹，……，λ^N按间隔分区方法分为P组；