[发明专利]一种基于CPU+GPU异构计算的高维多目标支配方法

说明书

本发明公开了一种基于CPU+GPU异构计算的高维多目标支配方法，属于运筹优化、多目标优化以及高性能计算等领域。本方法设计基于任务划分的方式、数据所在的存储器类型、CPU与GPU交换的数据量三个方面考虑，以提高支配算法的计算效率及实用性。本方法包括最优解抉择、无界解处理、离基变量处理、归一化、消元五个核心部分。相对于串行高维多目标LWM支配方法，该方法解决了串行方法计算效率低的问题，同时提高了支配算法的计算效率及实用性。

技术领域

本发明涉及一种基于CPU+GPU异构计算的高维多目标支配方法，属于运筹优化、多目标优化以及高性能计算等领域。

背景技术

针对高维多目标优化问题，基于Pareto支配的算法随着目标数的增多，解集中绝大部分都会成为非支配解，进而导致选择压力的损失的问题，新型支配关系线性权重最优支配关系(Linear Weighted Minimal/Maximal dominance,LWM dominance)相比传统的Pareto支配关系可以找到收敛和分布良好的解集。求解LWM非支配解的过程是一个解线性规划问题的过程，如果该线性规划问题存在无界解或者有最优解且大于一个最小正数，那么这个解是LWM非支配解。然而随着优化目标数和候选解集的增大，求解线性规划问题非常耗时。为了有效地将LWM支配关系用于解决实际高维多目标优化问题中，提出一种基于CPU+GPU异构计算的并行LWM支配算法，充分利用GPU的并行处理能力，提高计算效率。

发明内容

本发明的目的在于提出了一种基于CPU+GPU异构计算的高维多目标支配方法。该方法设计基于任务划分的方式、数据所在的存储器类型、CPU与GPU交换的数据量三个方面考虑，以提高支配算法的计算效率及实用性。

为实现上述目的，本发明采用的方案为一种基于CPU+GPU异构计算的高维多目标支配方法，将CPU+GPU异构计算应用于求解高维多目标优化问题中来。本方法包括最优解抉择、无界解处理、离基变量处理、归一化、消元五个核心部分：

第一、最优解抉择：对线性规划问题进行最优解判断，将CPU端判断逻辑转换为GPU端并行计算策略；

第二、无界解处理：求取线性规划问题无界解，将CPU端判断逻辑转换为GPU端并行计算策略，利用规约策略进行并行加速；

第三、离基变量处理：利用规约策略获取离基变量对应的最小序号；

第四、归一化：归一化离基变量所对应一行数据；

第五、消元：进行高斯消元法，使得算法逼近最优解。

以下分别对这五个部分进行详细的描述。

第一、最优解抉择：对线性规划问题进行最优解判断，将CPU端判断逻辑转换为GPU端并行计算策略；

在任务划分层面来说将判断逻辑转为求最值过程，利用规约策略计算。每个Block线程分配是一维的，数量为256个。从数据传输及存储层面来说，传入数据量为n*(m+n)，其中m为目标个数、n为解集大小。由于所传入数据量较大，数据存储于全局内存中。

第二、无界解处理：求取线性规划问题无界解，将CPU端判断逻辑转换为GPU端并行计算策略，利用规约策略进行并行加速；

在任务划分层面来说此过程时间复杂度为O(n+m)可转为求最值过程，利用规约策略计算。每个Block线程分配是一维的，数量为256个。从数据传输及存储层面来说，传入数据量为n*(m+n)，其中m为目标个数、n为解集大小。由于所传入数据量较大，数据存储于全局内存中。

第三、离基变量处理：利用规约策略获取离基变量对应的最小序号；