[论文解读] Parallel Whale Optimization Algorithm for Solving Constrained and Unconstrained Optimization Problems

Amr M. Sauber, Mohammed M. Nasef+2 more|arXiv (Cornell University)|Jun 21, 2018

Metaheuristic Optimization Algorithms Research参考文献 29被引用 5

一句话总结

该论文提出了一种使用OpenMP加速的并行鲸鱼优化算法（PWOA），以提升无约束和有约束优化问题中的收敛速度。通过将群体评估任务分配到多个处理器上，PWOA在高维基准测试和工程问题中相较于串行WOA实现了显著的加速和更高的效率。

ABSTRACT

Recently the engineering optimization problems require large computational demands and long solution time even on high multi-processors computational devices. In this paper, an OpenMP inspired parallel version of the whale optimization algorithm (PWOA) to obtain enhanced computational throughput and global search capability is presented. It automatically detects the number of available processors and divides the workload among them to accomplish the effective utilization of the available resources. PWOA is applied on twenty unconstrained optimization functions on multiple dimensions and five constrained optimization engineering functions. The proposed parallelism PWOA algorithms performance is evaluated using parallel metrics such as speedup, efficiency. The comparison illustrates that the proposed PWOA algorithm has obtained the same results while exceeding the sequential version in performance. Furthermore, PWOA algorithm in the term of computational time and speed of parallel metric was achieved better results over the sequential processing compared to the standard WOA.

研究动机与目标

• 应对工程和数据科学中大规模优化问题日益增长的计算需求。
• 缩短如WOA等元启发式算法在高维和复杂问题上的长期求解时间。
• 通过使用OpenMP进行并行化，提升鲸鱼优化算法（WOA）的性能。
• 评估所提出的PWOA在多样化基准函数和实际工程问题中的可扩展性和效率。
• 证明并行处理可在不牺牲解质量的前提下，同时提升求解速度和全局搜索能力。

提出的方法

• 使用OpenMP指令将标准鲸鱼优化算法（WOA）改造为并行框架。
• 自动检测可用处理器数量，并将鲸鱼群体（搜索代理）分配到各个线程。
• 在每个线程内并行执行每只鲸鱼的适应度评估和位置更新，同时为每只鲸鱼保持串行计算以确保正确性。
• 使用OpenMP的并行结构管理优化循环期间的工作负载分配和线程同步。
• 通过为每个处理器分配大小相等的子群体实现动态负载均衡，以最小化空闲时间。
• 使用标准并行指标（如加速比、效率和执行时间）在不同处理器数量下评估性能。

实验结果

研究问题

• RQ1 通过OpenMP进行并行化是否能显著减少鲸鱼优化算法（WOA）在大规模优化问题上的计算时间？
• RQ2 在不同问题维度下，PWOA相较于串行WOA在加速比和效率方面的表现如何？
• RQ3 PWOA在加速收敛的同时，对无约束和有约束基准函数的解质量保持程度如何？
• RQ4 对于多峰和单峰优化问题，PWOA的并行实现是否能随着处理器数量的增加而有效扩展？
• RQ5 与串行版本相比，PWOA是否能有效处理实际的有约束工程优化问题，并实现更高的吞吐量？

主要发现

• PWOA在20个无约束和5个有约束优化问题上，均获得了与串行WOA相同的最优或近似最优解。
• 所提出的PWOA在计算时间上表现出显著加速和效率提升，尤其在处理器数量增加时更为明显，执行时间呈比例下降。
• 加速比和效率指标随着处理器数量增加而持续改善，表明负载分配有效且线程竞争极少。
• 该算法在减少计算时间的同时保持了高水平的解质量，证明其在高维和复杂优化任务中的有效性。
• PWOA在计算时间和并行指标方面均优于串行WOA，证实了并行处理在元启发式优化中的优势。
• 该并行化策略在涉及大量适应度评估的大规模问题中尤为有效，PWOA在不牺牲收敛精度的前提下最大化了CPU利用率。