×
乔文宝;克雷普特，Jean-Charles

使用GPU高性能本地搜索对大规模旅行推销员问题进行多个（k）-opt评估多个（k）-opt移动。 （英语） Zbl 1444.68174号

安。数学。Artif公司。智力。 88，第4期，347-365（2020年）.
摘要：2-opt、3-opt或\（k\）-opt启发式算法是组合优化领域中旅行商问题（TSP）的经典局部搜索算法，而序列\（k\）-opt完全邻域检验需要多项式时间复杂性，这对于处理大规模TSP实例是耗时的。本文介绍了一种合理的方法，称为“多（k）-opt评估，多（k并行2-/3-opt评估，具有“数据并行、分散控制和每个GPU线程的O（1）本地内存”的特点。该方法是合理的，因为当使用有序坐标数组作为高性能GPU的TSP巡更数据结构时，对于每个（k-）opt移动，都不可避免地要进行顺序（O（N））时间复杂度巡更反转操作opt-local搜索，考虑合并内存访问和有限片上共享内存的使用。创新工作包括两个部分，一个采用线性时间复杂度的顺序非交互\（k\）-opt moves集划分算法；一种新的TSP巡更表示，有序坐标数组index，揭示了如何结合使用双向链表和有序坐标数组数据结构进行基于GPU CUDA的迭代并行选择局部搜索的优点。我们在多达71009个城市的22个国家TSP实例上测试了此方法，并使用了原始的粗鲁巡演解决方案。在GPU上并行工作的完整\（frac{N*（N-1）}{2}2\）-opt检查的一次迭代后，在ch71009.tsp实例的同一巡更上找到并执行了平均最大997个非交互2-opt移动。与每次2-opt移动后必须执行巡线反转操作的方法相比，所提出的迭代GPU并行2-opt方法执行平均306631次2-opt操作，而只迭代786次巡线反向操作。实验比较表明，我们提出的方法比经典的顺序和当前最先进的GPU并行2-opt实现都有巨大的加速。

MSC公司：

68T20型 人工智能背景下的问题解决（启发式、搜索策略等）
68宽10 计算机科学中的并行算法
90C27型 组合优化
90 C59 数学规划中的近似方法和启发式

关键词：

并行2-opt;大规模2-opt动作;平行三选一;大规模三选一动作;TSP公司;通用分组;高性能GPU本地搜索

软件：

TSPLIB公司
PDF格式BibTeX公司 XML格式引用
\textit{W.-B.乔}和\textit{J.-C.克莱普特}，安.数学。Artif公司。智力。88，第4号，347--365（2020；Zbl 1444.68174）
全文： 内政部

参考文献：

[1] Laporte，G.，《旅行推销员问题：精确和近似算法概述》，欧洲期刊Oper。Res.，59，2，231-247（1992）·Zbl 0760.90089号 ·doi:10.1016/0377-2217（92）90138-Y
[2] 约翰逊，DS；McGeoch，LA，《旅行推销员问题：局部优化案例研究》，局部搜索梳。最佳。，1, 215-310 (1997) ·Zbl 0947.90612号
[3] Applegate，D.L.，Bixby，R.E.，Chvatal，V.，Cook，W.J.：旅行推销员问题：一项计算研究。普林斯顿大学出版社（2011）·Zbl 1130.90036号
[4] 马里兰州加里；Johnson，DS，《np-完全性理论指南》，70-70（1979），纽约：WH Freemann，纽约·Zbl 0411.68039号
[5] Glover，F.、Tabu search-part i、ORSA J.Compute.、。，1, 3, 190-206 (1989) ·Zbl 0753.90054号 ·doi:10.1287/ijoc.1.3.190
[6] Gendreau，M。；赫兹，A。；Laporte，G.，车辆路径问题的禁忌搜索启发式算法，Manag。科学。，40, 10, 1276-1290 (1994) ·Zbl 0822.90053号 ·doi:10.1287/mnsc.40.1276
[7] Mladenović，N。；Hansen，P.，可变邻域搜索，计算。操作。第24、11、1097-1100号决议（1997年）·兹伯利0889.90119 ·doi:10.1016/S0305-0548（97）00031-2
[8] Pei，J.，Cheng，B.，Liu，X.，Pardalos，P.M.，Kong，M.：具有基于位置的学习效果和线性设置时间的单机和并行机串行批处理调度问题。安·Oper。决议1-25（2017）·Zbl 1410.90092号
[9] Pei，J.，Wang，X.，Fan，W.，Pardalos，P.M.，Liu，X.：在有界平行配料机上安排逐步恶化的作业，以最大限度地提高总净收入。《运营杂志》。Res.Soc.，1-18（2018）
[10] 裴，J。；刘，X。；风扇，W。；Pardalos，PM；Lu，S.，多制造商中作业、财务预算和资源约束恶化的协调串行批调度的混合ba-vns算法，Omega，82，55-69（2019）·doi:10.1016/j.omega，2017年12月03日
[11] 克罗斯，GA，解决旅行售货员问题的方法，Oper。第6791-812号决议（1958年）·Zbl 1414.90303号 ·doi:10.1287/opre.6.791
[12] Lourenço，H.R.，Martin，o.C.，Stützle，T.：迭代本地搜索。摘自：《元启发式手册》，第320-353页。斯普林格（2003）·兹伯利1116.90412
[13] 乔，W.-b.，克雷普特，J.-c.：大规模并行自组织映射和2-opt-on gpu到大规模tsp。摘自：国际人工神经网络工作会议，第471-482页。施普林格（2017）
[14] Verhoeven，M。；艺术，EH；Swinkels，P.，《旅行推销员问题的并行2-选择算法》，《未来》。通用。计算。系统。，11, 2, 175-182 (1995) ·doi:10.1016/0167-739X（94）00059-N
[15] Karp，RM，平面旅行售货员问题分区算法的概率分析，数学。操作。第2、3、209-224号决议（1977年）·Zbl 0391.90091号 ·doi:10.1287/门2.3.209
[16] Rocki，K.，Suda，R.：在旅行推销员问题中使用gpu加速2-opt和3-opt本地搜索。2012年高性能计算与仿真国际会议，第489-495页。IEEE（2012）
[17] Rocki，K.，Suda，R.：高性能gpu加速了tsp中的局部优化。2013年IEEE第27届国际并行和分布式处理研讨会暨博士论坛（IPDPSW），第1788-1796页。IEEE（2013）
[18] 里奥斯，E。；奥奇，LS；Boeres，C。；弗吉尼亚州科埃略；科埃略，IM；Farias，R.，《在元启发式框架中探索并行多gpu局部搜索策略》，J.parallel Distrib.Comput。，111, 39-55 (2018) ·doi:10.1016/j.jpdc.2017.06.011
[19] Lin，S.，《旅行推销员问题的计算机解决方案》，贝尔系统。《技术期刊》，44，10，2245-2269（1965）·Zbl 0136.14705号 ·doi:10.1002/j.1538-7305.1965.tb04146.x
[20] 尼尔森，C.：《旅行推销员问题的启发式》，第1-6页。林平大学（2003）
[21] 乔，W-B；Créput，J-C，gpu上的并行2-opt本地搜索，世界科学、工程和技术学院，国际电气、计算机、能源、电子和通信工程杂志，11，3，281-285（2017）
[22] 乔，W.-B.，克雷普特，J.-C.：大规模2-opt和3-opt移动，通过高性能gpu本地搜索解决大规模旅行推销员问题。摘自：学习与智能优化国际会议，第82-97页。施普林格（2018）
[23] Mulder，SA；Wunsch，DC，Million city traveling saller problem solution by divide and converch clustering with adaptive resonance neural networks，神经网络通过分治聚类解决城市旅行商问题。，16, 5, 827-832 (2003) ·doi:10.1016/S0893-6080（03）00130-8
[24] Reinelt，G.，Tsplib-旅行推销员问题库，ORSA J.Compute。，3, 4, 376-384 (1991) ·兹伯利0775.90293 ·doi:10.1287/ijoc.3.4.376
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。