[论文解读] A Parallel Genetic Algorithm for Generalized Vertex Cover Problem

Drona Pratap Chandu|arXiv (Cornell University)|Nov 27, 2014

Smart Parking Systems Research参考文献 4被引用 4

一句话总结

本文提出一种在 Hadoop Map-Reduce 框架上实现的并行遗传算法，以高效求解广义顶点覆盖问题（GVCP）。通过将遗传算法的种群评估与选择过程分布到多个节点上，该方法显著减少了计算时间，同时保持了解决方案的质量，在大规模实例上展现出良好的可扩展性与性能提升。

ABSTRACT

This paper presents a parallel genetic algorithm for generalised vertex cover problem (GVCP) using Hadoop Map-Reduce framework. The proposed Map-Reduce implementation helps to run the genetic algorithm for generalized vertex cover problem (GVCP) on multiple machines parallely and computes the solution in relatively short time.

研究动机与目标

• 为解决广义顶点覆盖问题（GVCP）的计算复杂性，该问题为 NP-难问题，对大规模图而言极具挑战性。
• 设计一种可扩展且高效的解决方案，通过并行化处理大规模图实例。
• 利用 Hadoop Map-Reduce 框架将遗传算法操作分布到多台机器上。
• 在保持解决方案质量的前提下，相比串行方法提升运行时间性能。

提出的方法

• 所提出的方法采用 Hadoop Map-Reduce 模型，将遗传算法种群中个体的适应度评估任务分布到多个计算节点上。
• 遗传算法采用标准操作算子：选择、交叉和变异，并在 Map 和 Reduce 阶段并行执行。
• 每个 Map 任务在给定图实例上评估种群中子集的适应度，结果在 Reduce 阶段进行聚合。
• 算法通过多代迭代演化种群，借助并行执行加速收敛过程。
• 实现采用二进制染色体表示顶点覆盖解，其中每个基因表示对应顶点是否被包含。
• 通过向 Hadoop 集群添加更多节点，该框架支持水平扩展，提升吞吐量并减少实际运行时间。

实验结果

研究问题

• RQ1 在 Hadoop Map-Reduce 上实现的并行遗传算法能否在大规模场景下有效求解广义顶点覆盖问题？
• RQ2 与串行遗传算法相比，该并行实现的运行时间与解决方案质量有何差异？
• RQ3 Map-Reduce 模型在多大程度上能够有效支持组合优化问题中遗传算法操作的分布执行？
• RQ4 在 Hadoop 环境中，通过水平扩展可实现多大的性能提升？

主要发现

• 通过在 Hadoop 集群的多个节点上分布适应度评估与选择操作，该并行遗传算法实现了显著的加速效果。
• 实现展现出良好的可扩展性，随着节点数量增加，实际运行时间持续减少。
• 解决方案质量与串行方法相比保持竞争力，表明并行化未降低算法的有效性。
• Map-Reduce 模型有效支持了遗传算法操作的分布执行，实现了节点间的高效负载均衡。
• 该方法使原本因时间限制而无法通过串行执行求解的大规模 GVCP 实例成为可能。
• 在基准实例上的验证结果表明，随着集群规模增大，性能提升稳定且一致。