Параллельные генетические алгоритмы
4.5. Гибридные параллельные ГА
Представленные выше основные методы распараллеливания ГА могут использоваться в различных комбинациях на различных уровнях, что дает возможность строить гибридные модели ПГА. Например, на рис.4.7 а-в) представлены гибридные модели, в которых при распараллеливании используется двухуровневый подход.
В данном случае на верхнем уровне для распараллеливания применяется РГА (coarse-grain implementation). В модели рис.4.7 а каждый из островов реализуется (на нижнем уровне) в виде клеточного ГА, что позволяет объединить преимущества этих двух различных подходов. Модель рис.4.7 б - каждый из островов на нижнем уровне реализуется по схеме глобального распараллеливания - "раб (рабочий)- хозяин". Таким образом, здесь параллелизм используется для ускорения вычислений (на нижнем уровне) и в то же время он применяется при реализации взаимодействующих подпопуляций – островов (на верхнем уровне). И, наконец, в модели рис.4.7 в - на верхнем и нижнем уровнях реализуется модель островов. Таким образом, как классический ГА, так и структурированный ГА могут быть реализованы различными способами как на монопроцессорной так и на многопроцессорных компьютерных системах.
4.6. Иерархические (многоуровневые) ГА
Иерархические ГА по своей идеологии примыкают к параллельным, и как мы видели в разделе 4.5, часто используются совместно с ними. Это позволяет комбинировать различные модели ПГА и разрабатывать гибридные ГА. Рассмотрим ГА как сложную систему, в которой есть, по крайней мере, два уровня объектов – хромосомы нижнего уровня, каждая из которых представляет решение конкретной проблемы. Объекты верхнего уровня представляют собой параметры ГА, такие как размер популяции, вероятность скрещивания и мутации, тип ЦФ и т.д. Схематически это показано на рис.4.8.
Заметим, что объекты верхнего уровня существенно влияют на эффективность ГА нижнего уровня. Рассмотрим популяцию структурных объектов верхнего уровня, каждая из которых представляет по сути ГА нижнего уровня. На верхнем уровне работает ГА над ГА нижнего уровня. Здесь в качестве оператора скрещивания может выступать обмен параметрами ГА, а в качестве мутации изменение этих параметров. Таким образом, имеем двухуровневый иерархический ГА.
На нижнем уровне протекают параллельно процессы обычных ГА, в которых каждая особь представляет решение конкретной проблемы и развивается обычным образом. На верхнем уровне в качестве особей используют ГА параметры нижнего уровня.
Здесь каждая особь представляет свой вариант значений параметров ГА нижнего уровня. Таким образом, на верхнем уровне подбираются рациональные параметры ГА нижнего уровня, которые далее передаются на нижний уровень для эффективного поиска решения проблемы.
Разработаны и многоуровневые (более 2-х) иерархические ГА, которые развивают этот подход. Заметим, что объекты верхнего уровня существенно влияют на эффективность ГА нижнего уровня. Рассмотрим популяцию структурных объектов верхнего уровня, каждая из которых представляет по сути ГА
