我一直试图了解如何使用数据并行实现ACO优化。我在Google搜索后看过一些内容。我只需要简单的基本想法。大多数论文都用简单的语言谈论其他一切而不是主要的东西。
到目前为止我所理解的是，我们将通过使用多任务（线程）使其并行工作。但我不确定每个线程会做什么，或者我们如何将它分成线程而不会造成麻烦。
这是否意味着我们应该为每只蚂蚁创建单独的线程？但这会导致很多线程被创建！那么，如果有200个蚂蚁，那么200个线程？
我仍然对ACO中的数据并行主题感到困惑。我真的很想听听我们如何平行地实现它。
答案 0 :(得分：0)
由于您已经阅读了ACO，以下是一些关于并行运行ACO的简单方法。而不是陷入多线程和多任务处理中，考虑“并行计算资源”可能会有所帮助。
ACO是Agent-Based Simulation（ABS）的一个案例，ABS特别适合于parellization。
选项1 。在每个并行资源中运行完整版本的ACO。
编写ACO算法代码，并行运行。 （由于算法存在随机因素，因此您可以为您的问题寻找“最佳”解决方案。）
选项2 。探讨不同ACO参数的影响
与任何模拟方法一样，任何ACO实现都有大量的运行时参数：顶点数，运行时间，蚂蚁数，信息素蒸发率，选择路径选项的概率函数等等。当您多次使用这些选项时，它们会累计运行大量案例。将您的并行计算资源之间的工作分开。
上面提到的两个选项有时被称为“令人尴尬”的并行。非常容易实现（将其视为实验设计）并且您可以获得整个结果矩阵，您可以通过研究参数变化对解决方案的影响来得出结论。
选项3 ：主从方法，部分解决方案共享
在复杂性上再提高一级，我们可以使用每个节点将其“知识/发现”贡献给整体问题解决方案。这有时被称为主从方法。 master试图解决整体问题（可能是TSP，或者一些类似的复杂问题），每个“奴隶”正在解决它的某些方面，但有一些相当简单的算法。我们的想法是，当组合时，它们会产生强大的结果。
经过一定次数的迭代后，解决方案会来回传递，并会抛出“坏”解决方案。 Map-Shuffle-Reduce范式的一些变体可以做到这一点。主设备评估当前的最佳解决方案，然后将其传输回每个“从属”节点（例如：将最新的整体信息素级别提供给所有从属节点）。下一轮解决简历。
选项3有很多微妙的变化，有些人一生都在改善它的各个方面。
希望其中一些想法有所帮助。