基于人工蜂群算法的多维函数优化加速方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114356526A(43)申请公布日2022.04.15(21)申请号202210007195.7(22)申请日2022.01.05(71)申请人青岛农业大学地址266109山东省青岛市城阳区长城路700号(72)发明人李辉韩林王威陶红伟于哲(74)专利代理机构青岛致嘉知识产权代理事务所(普通合伙)37236代理人马明月(51)Int.Cl.G06F9/48(2006.01)G06F9/50(2006.01)G06F9/54(2006.01)权利要求书2页说明书7页附图5页(54)发明名称基于人工蜂群算法的多维函数优化加速方法(57)摘要本发明涉及农业数据处理技术领域，尤其为基于人工蜂群算法的多维函数优化加速方法，其方法包括如下步骤：为了评估ABC算法的性能，采用四个不同求极值的多维函数来测试ABC算法性能，利用CPU+DCU的异构架构模式，采用HIP异构语言的多线程技术并行优化，在DCU平台上，计算任务划分到不同的线程；本发明提高了ABC算法对多维函数求最优解的效率，相对于串行ABC算法和GPU‑ABC算法，该方法能够得到较好的性能，提高了对多维函数的运算效率，能够进一步高效处理农业农村发展带来海量数据，接下来将扩充到多个运算节点，同时，还可以进行向量化的优化方法，更加充分的发现算法中的并行性，最大程度地提升算法的执行效率。CN114356526ACN114356526A权利要求书1/2页1.基于人工蜂群算法的多维函数优化加速方法，其特征在于：其方法包括如下步骤：(1)关键函数：为了评估ABC算法的性能，采用四个不同求极值的多维函数来测试ABC算法性能，利用CPU+DCU的异构架构模式，采用HIP异构语言的多线程技术并行优化；(2)任务划分：在DCU平台上，计算任务划分到不同的线程，线程对蜜源和蜂群的数目进行计算任务的划分；(3)数据分布：使用共享内存来代替全局内存实现数据的存储与计算，在数据进行计算之前，先将即将计算的数据从全局内存读取到共享内存中，需要计算时从共享内存中直接读取，并将结果临时存在共享内存里，待计算完全结束后将最终的计算结果写回全局内存；(4)同步操作：通过采用数据分布的方法，block里面的线程可以采用协同计算方式，建立线程之间的屏障，将线程都同步进行，在block内使用syncthreads函数创建屏障用于同步线程之间的运算；(5)任务并行：经过任务划分、数据分布和同步操作对蜜源信息和适应度信息处理后，在DCU端实现数据的计算任务，在CPU端启动任务并行的函数，在DCU端执行并行任务；(6)实验结果与分析：实验平台是采用混合异构的超级计算系统，使用调度系统对计算任务进行调度和管理，ABC算法的串行和优化后算法的最大迭代次数都设定为150次，最大循环次数设定为3000，局部寻找最优解的次数按照公式limit＝0.25*NP*D来计算。2.根据权利要求1所述的基于人工蜂群算法的多维函数优化加速方法，其特征在于：所述步骤(1)中，四个不同求极值的多维函数具体为Sphere函数、Rosenbrock函数、Griewank函数和Rastrigin函数。3.根据权利要求1所述的基于人工蜂群算法的多维函数优化加速方法，其特征在于：所述步骤(1)中，多线程技术并行优化的每个计算结点有1颗CPU处理器和4块DCU加速卡，其中DCU加速卡上使用的编程模型为ROCmHIP异构编程模型，HIP异构编程模型将应用程序在CPU上运行的程序称作主机端程序，在DCU上运行的程序称为设备端程序，DCU的主要计算结构由CU构成，每个CU包含4个SIMD计算组，包含1个标量计算单元，标量计算单元被CU内4个SIMD共享，同时每个CU内拥有64kb的共享内存LDS，其中每个CU内的LDS各自独立。4.根据权利要求1所述的基于人工蜂群算法的多维函数优化加速方法，其特征在于：所述步骤(2)中，将蜜源进行一维维度的划分，将线程划分成block‑Idx*blockDim+threadIdx的形式，其中blockDim保存块中的线程数，blockIdx是当前块的索引值，threadIdx表示的是块中当前线程的数量，每个block又可以分成多个thread，将寻找最优蜜源的过程进行一维block维度线程的划分，即threadIdx的形式。5.根据权利要求1所述的基于人工蜂群算法的多维函数优化加速方法，其特征在于：所述步骤(2)中，HIP模型的线程组织分为block和thread两个层级，其中block对内部的thread进行分配，grid对内部的block进行分配。6.根据权利要求1所述的基于人工蜂群算法的多维函数优化加速方法，其特征在于：所述步骤(3)中，若蜜源和适应度值的