[論文レビュー] A Survey of Parallel A*

Alex Fukunaga, Adi Botea+2 more|arXiv (Cornell University)|Aug 16, 2017

Advanced Database Systems and Queries参考文献 52被引用数 3

ひとこと要約

本調査では、大規模な状態空間探索のメモリ制限を克服するためにプロセッサ間で状態空間を分割する分散型アプローチに焦点を当て、並列A*探索アルゴリズムの包括的概要を提供する。ハッシュベースの作業配分、構造ベースの分割、限られたメモリを想定した変種（例：並列IDA*）、GPUアクセラレーション戦略、およびハイブリッドCPU-GPU手法をカバーし、スケーラビリティと効率性の分野における最近の進展と、主なパフォーマンス上のトレードオフを強調している。

ABSTRACT

A* is a best-first search algorithm for finding optimal-cost paths in graphs. A* benefits significantly from parallelism because in many applications, A* is limited by memory usage, so distributed memory implementations of A* that use all of the aggregate memory on the cluster enable problems that can not be solved by serial, single-machine implementations to be solved. We survey approaches to parallel A*, focusing on decentralized approaches to A* which partition the state space among processors. We also survey approaches to parallel, limited-memory variants of A* such as parallel IDA*.

研究の動機と目的

• 大規模な状態空間における最適パスファインディングのためのA*探索を並列化する既存のアプローチを分析・分類すること。
• 分散システムにおける並列化A*の根本的な課題、特にメモリボトルネックと通信オーバーヘッドを特定すること。
• ハッシュベースの作業配分と構造ベースの分割を含む分散型探索戦略の有効性を評価し、負荷分散と重複状態検出の改善を検証すること。
• 単一マシンのメモリ制限を克服するための限られたメモリを想定した変種（例：並列IDA*、GPU最適化A*）の性能を検討すること。
• GPUアクセラレーション、ハイブリッドCPU-GPUアーキテクチャ、メタソルバーポートフォリオといった、探索性能を向上させるための新興トレンドを検討すること。

提案手法

• A*の並列化を中央集権型と分散型アーキテクチャに分類し、プロセッサ間で状態空間を分割する分散型手法に重点を置く。
• 共有メモリおよび分散メモリシステムにおいて、負荷分散と効率的な重複状態検出を実現するための、現在の最先端技術であるハッシュベースの作業配分をレビューする。
• 重複状態検出範囲の概念を用いた構造ベースの探索空間分割を分析し、プロセッサ間通信を最小限に抑える。
• GPU固有のA*の変種を評価し、特にブロック単位の探索部分木をGPUブロックに割り当て、グローバルメモリアクセスを回避するために共有メモリを活用するBlock-Parallel IDA*（BPIDA*）を検討する。
• 計算（例：後続状態生成）をGPUにオフロードし、CPUが重複状態検出とグローバル状態管理を担当するハイブリッドアプローチを検討する。
• オペレータ配分や並列ポータフォリオといった代替並列化戦略を検討し、動的チューニングのための機械学習ベースの設定も含む。

実験結果

リサーチクエスチョン

• RQ1 大規模な状態空間問題におけるメモリ制限を克服するために、A*探索をどのように効果的に並列化できるか？
• RQ2 中央集権型と分散型の並列A*アプローチの相対的な利点とトレードオフは何か？
• RQ3 ハッシュベースの作業配分と構造ベースの分割は、並列A*における負荷分散と通信の削減をどのように改善するか？
• RQ4 GPUアーキテクチャにA*を実装した場合のパフォーランスへの影響は何か？また、メモリ制限をどのように緩和できるか？
• RQ5 ハイブリッドCPU-GPUまたはマルチエージェント並列化戦略が、従来の単一アーキテクチャ手法を上回る状況はどのようなものか？

主な発見

• ハッシュベースの作業配分は、現在の並列A*の最先端技術であり、共有メモリおよび分散メモリシステムにおいて、負荷分散と効率的な重複状態検出を実現している。
• 構造ベースの分割は、ローカルな重複状態検出範囲を定義することでプロセッサ間通信を削減し、分散型A*におけるスケーラビリティを向上させる。
• Block-Parallel IDA*（BPIDA*）は、GPUブロックに部分木を割り当て、共有メモリのみを活用することで、グローバルメモリのボトル neck を回避し、高い並列効率を達成している。
• 高い並列効率を示すものの、GPUベースのA*実装はメモリ容量の制限により制限を受ける。現在のGPUは16GBのグローバルメモリしか搭載しておらず、現代のワークステーションに比べて著しく少ない。
• 限られたコアあたりのメモリと組み合わせて、パターンデータベースのようなメモリ集約的ヒューリスティクスをGPUで実行することは依然困難であり、今後のグローバルメモリ利用の最適化が求められる。
• ハイブリッドCPU-GPUアプローチは有望であり、例えばGPUで後続状態生成を、CPUで重複状態検出を担当することで、パフォーマンスとメモリ制約の両立が図れる。