非数值并行计算方法遗传算法

今天的软件并行程序开发工具与硬件潜力之间存在着一个巨大的软件鸿沟。这些工具需要程序员手动干预以实现代码的并行化。编写并行计算程序需要对目标算法或应用程序进行深入研究，比传统的顺序编程更为复杂。程序员必须了解算法或应用程序的通信和数据依赖关系。本书提供了探索为特定应用程序编写并行计算程序的技术。

并行计算是计算机科学中的一个关键领域，在大数据处理和高性能计算中发挥着重要作用。\"并行算法3.rar学习交流分享\"提供了深入学习并行算法的资源，可能包括书籍或课程讲义，由知名专家陈国良等撰写。深入探讨了并行算法的基础概念及其在多处理器系统中的应用，涵盖了并行计算模型、负载均衡、并行算法设计策略、数据划分与通信等关键内容。

实验环境与测试函数 本次实验采用7台Dell服务器搭建Spark集群，包含1个主节点和6个工作节点，采用standalone模式进行任务调度。服务器配置为8G内存、四核处理器。软件环境包括spark-1.2.0-bin-hadoop1、Hadoop-1.2.1、JDK1.7.0_71(Linux版)以及ubuntu12.04Server操作系统。 实验选用Deb等人提出的双目标函数ZDT1作为测试用例，该函数包含两个复杂的目标函数和约束条件，符合大规模复杂优化问题的要求。 实验结果与性能分析 mapPartitions和map算子性能对比 实验初始化8个不同规模的种群，在相同条件下分别使用mapPartitions和map算子实现SPGA算法，对ZDT1函数进行优化求解，并对比分析运行时间。 结果表明，使用mapPartitions算子实现的算法在所有种群规模下都明显优于map算子。随着种群规模的增大，两种算子的运行时间均有所增加，但mapPartitions算子与map算子之间的差距也越来越大。 分析原因，个体数量增加的同时，partition数量保持不变，因此mapPartitions算子无需增加初始化资源的时间，仅因种群规模扩大而增加了计算时间，因此算法效率更高。最终选择使用mapPartitions算子实现SPGA算法的变异和适应度操作。 算法运行时间对比 本次实验对比了串行遗传算法、基于MapReduce的并行遗传算法（MRPGA）和基于Spark的并行遗传算法在不同种群规模下求解ZDT1多目标优化问题的运行时间。 实验结果表明，当种群规模较小，个体数量小于0.2*10^5时，串行遗传算法执行时间最短，其次是SPGA算法。

本书以工程和科学应用为视角，详细探讨了数值分析中常见数学问题的理论与方法。

本书详细阐述了数值计算方法的理论基础及其在实际应用中的运用，重点介绍了如何使用Matlab软件实现各种数值算法。强调了通过Matlab进行数值方法的程序设计，以提升读者的实际操作能力并加深对数值计算理论的理解。

数据库技术的进步、数据挖掘应用的兴起、生物基因技术的不断发展以及历史数据规模的爆炸式增长, 都对高性能计算提出了更高的要求。虽然分布式系统可以部分解决大型计算问题, 但是其通信开销大、故障率高、数据存取结构复杂且开销大、数据安全性和保密性难以控制等问题依然存在。而计算机处理器, 特别是GPU技术的快速发展, 为高性能数据并行计算提供了新的解决方案。

3. 遗传算法的特点 （1）GA搜索群体中的点是并行, 而不是单点；（2）GA使用概率变换规则, 而不是确定的变换规则；（3）适应度函数不受连续、可微等条件的约束，适用范围很广。只需要影响搜索方向的目标函数和相对应的适应度函数；（4）GA使用编码参数集，而不是自身的参数集。

1、遗传算法在智能计算中的应用范围包括组合优化、函数优化、自动控制、生产调度、图像处理、机器学习、人工生命和数据挖掘等领域。

使用何仰赞《电力系统分析》中介绍的传统牛顿拉夫逊法Matlab编程，程序支持N-1校核和线路网损分析，非常适合电气工程学习。