Παράλληλοι μιμητικοί αλγόριθμοι: παράλληλοι εξελικτικοί αλγόριθμοι και άλλες τεχνικές

Abstract

Αντικείμενο αυτής της εργασίας είναι η μελέτη και η παραλληλοποίηση εξελικτικών και άλλων τεχνικών κατά την διερεύνηση μεγάλων χώρων αναζήτησης με πολύπλοκες συναρτήσεις ποιότητας και χρήση πολυάριθμων πληθυσμών εστιάζοντας στην μελέτη υβριδικών αλγορίθμων με πιο πολύπλοκη δομή από ένα εξελικτικό ή ένα απλό ευρετικό αλγόριθμο. Η συστηματική μελέτη των μιμητικών αλγορίθμων αποτελεί μια πρώτη συμβολή της διατριβής. Η παράλληλη υλοποίηση των Μιμητικών αλγορίθμων συνιστά τη βασικότερη συμβολή της εργασίας. Η παράλληλη υλοποίηση συνδυάζει με αποτελεσματικό τρόπο τις υφιστάμενες μεθοδολογίες σε ένα πρωτότυπο μοντέλο με χρήση της βιβλιοθήκης διεπαφής περάσματος μηνυμάτων MPI.

The objective of the present work is to make efficient parallelization of memetic and other evolutionary techniques easier in order to solve large instances of difficult optimization problems. Although the above measures have been applied to evolutionary algorithms or simulated annealing, little effort has been made to use these or other techniques for hybrid evolutionary algorithms (memetic algorithms). This thesis starts with a description of the state of the art in which the different approaches. The analysis considers especially the implementation of Memetic Algorithms on MPI cluster. During the experiments, different memetic algorithms are execute on a network of workstations.