จะทำให้อัลกอริทึมสำหรับ TSP ขนานกันอย่างไร?

เฮ้ที่นั่น! ฉันเป็นซัพพลายเออร์ในเกม TSP (ปัญหาพนักงานขายเดินทาง) และฉันได้ดำน้ำลึกลงไปในวิธีการทำให้อัลกอริทึมสำหรับ TSP เป็นคู่ขนาน มันเป็นการขับขี่ที่ดุเดือด แต่ฉันก็ยังคงแบ่งปันข้อมูลเชิงลึกของฉันกับคุณ

แล้ว TSP ทั้งหมดเกี่ยวกับอะไร? สรุปมันเป็นปัญหาในการค้นหาเส้นทางที่สั้นที่สุดที่พนักงานขายสามารถใช้ในการเยี่ยมชมชุดเมืองหนึ่งครั้งและกลับไปที่จุดเริ่มต้น มันอาจฟังดูง่าย แต่มันเป็นหัวจริง - ขูดโดยเฉพาะอย่างยิ่งเมื่อคุณจัดการกับเมืองจำนวนมาก

อัลกอริทึมแบบดั้งเดิมสำหรับการแก้ TSP เช่นวิธีการเดรัจฉาน - ที่คุณตรวจสอบทุกเส้นทางที่เป็นไปได้คือเวลาที่ยอดเยี่ยม - การบริโภค เมื่อจำนวนเมืองเพิ่มขึ้นจำนวนเส้นทางที่เป็นไปได้จะเพิ่มขึ้นอย่างมาก นั่นคือสิ่งที่คู่ขนานมามีประโยชน์

การทำให้อัลกอริทึม TSP แบบขนานหมายถึงการแบ่งปัญหาออกเป็นปัญหาย่อยที่เล็กลงและการแก้ปัญหาพร้อมกันในโปรเซสเซอร์หลายตัวหรือหน่วยคอมพิวเตอร์ สิ่งนี้สามารถเร่งกระบวนการแก้ปัญหาได้อย่างมีนัยสำคัญ

ทำไมต้องขนานอัลกอริทึม TSP?

มาพูดถึงผลประโยชน์ก่อน เมื่อคุณขนานอัลกอริทึมสำหรับ TSP คุณสามารถประหยัดเวลาได้มาก ในโลกธุรกิจเวลาคือเงิน หากคุณสามารถหาเส้นทางที่ดีที่สุดได้เร็วขึ้นคุณสามารถรับผลิตภัณฑ์หรือบริการของคุณให้กับลูกค้าได้เร็วขึ้น นี่อาจหมายถึงลูกค้าที่พึงพอใจมากขึ้นและอาจธุรกิจมากขึ้นสำหรับคุณ

ข้อดีอีกประการหนึ่งคือช่วยให้คุณสามารถจัดการกับขนาดที่ใหญ่ขึ้นได้ ด้วยอัลกอริธึมตามลำดับแบบดั้งเดิมเมื่อจำนวนเมืองใน TSP เพิ่มขึ้นเวลาที่ต้องใช้ในการค้นหาวิธีแก้ปัญหาจะไม่สามารถทำได้ การทำให้ขนานกันสามารถช่วยคุณแก้ไขปัญหากับหลายร้อยหรือหลายพันเมือง

แนวทางในการทำให้อัลกอริทึม TSP แบบขนาน

1. การสลายตัวของโดเมน

หนึ่งในวิธีที่พบบ่อยที่สุดในการขนานอัลกอริทึม TSP คือผ่านการสลายตัวของโดเมน สิ่งนี้เกี่ยวข้องกับการแบ่งชุดของเส้นทางที่เป็นไปได้ทั้งหมดออกเป็นชุดย่อยขนาดเล็กและกำหนดแต่ละชุดย่อยให้กับโปรเซสเซอร์ที่แตกต่างกัน

ตัวอย่างเช่นหากคุณมีเมืองจำนวนมากคุณสามารถแบ่งชุดของเมืองเริ่มต้นที่เป็นไปได้ทั้งหมดในโปรเซสเซอร์ที่แตกต่างกัน โปรเซสเซอร์แต่ละตัวจะสำรวจเส้นทางที่เป็นไปได้ทั้งหมดเริ่มต้นจากเมืองเริ่มต้นที่ได้รับมอบหมาย ด้วยวิธีนี้โปรเซสเซอร์สามารถทำงานได้อย่างอิสระในส่วนย่อยของปัญหา

สมมติว่าคุณมีโปรเซสเซอร์ 10 ตัวและ 100 เมือง คุณสามารถกำหนด 10 เมืองเริ่มต้นให้กับโปรเซสเซอร์แต่ละตัว โปรเซสเซอร์แต่ละตัวจะคำนวณเส้นทางที่สั้นที่สุดโดยเริ่มจากเมืองเริ่มต้นที่ได้รับมอบหมาย หลังจากโปรเซสเซอร์ทั้งหมดเสร็จสิ้นการคำนวณคุณสามารถเปรียบเทียบผลลัพธ์เพื่อค้นหาเส้นทางที่สั้นที่สุดโดยรวม

2. งานขนานงาน

ภารกิจการขนานเกี่ยวข้องกับการทำลายอัลกอริทึม TSP เป็นงานที่แตกต่างกันและเรียกใช้งานเหล่านี้ในแบบคู่ขนาน ตัวอย่างเช่นงานหนึ่งอาจสร้างเส้นทางที่เป็นไปได้อีกเส้นทางหนึ่งอาจประเมินความยาวของเส้นทางเหล่านี้ได้และอีกเส้นทางหนึ่งอาจเปรียบเทียบความยาวเพื่อค้นหาเส้นทางที่สั้นที่สุด

คุณสามารถกำหนดงานเหล่านี้ให้กับโปรเซสเซอร์ที่แตกต่างกัน โปรเซสเซอร์หนึ่งอาจสร้างเส้นทางใหม่อย่างต่อเนื่องในขณะที่อีกสายหนึ่งกำลังประเมินความยาว สิ่งนี้สามารถนำไปสู่การใช้ทรัพยากรการคำนวณที่มีประสิทธิภาพมากขึ้นเนื่องจากโปรเซสเซอร์มักจะยุ่งอยู่กับงานที่แตกต่างกันเสมอ

3. แนวทางไฮบริด

บ่อยครั้งที่การรวมกันของการสลายตัวของโดเมนและการขนานของงานสามารถให้ผลลัพธ์ที่ดีที่สุด คุณสามารถใช้การสลายตัวของโดเมนเพื่อแบ่งปัญหาออกเป็นชุดย่อยก่อนจากนั้นภายในชุดย่อยแต่ละชุดให้ใช้งานขนานงานเพื่อดำเนินการที่แตกต่างกันบนเส้นทาง

ความท้าทายในการทำให้อัลกอริทึม TSP แบบขนาน

แน่นอนว่าอัลกอริทึม TSP แบบขนานนั้นไม่ใช่แสงแดดและสายรุ้งทั้งหมด มีความท้าทายบางอย่างที่คุณต้องระวัง

หนึ่งในความท้าทายหลักคือการสื่อสารค่าใช้จ่าย เมื่อคุณใช้โปรเซสเซอร์หลายตัวพวกเขาจำเป็นต้องสื่อสารซึ่งกันและกันเพื่อแบ่งปันข้อมูล การสื่อสารนี้อาจใช้เวลาและบางครั้งอาจทำให้กระบวนการโดยรวมช้าลง ตัวอย่างเช่นหากโปรเซสเซอร์จำเป็นต้องแลกเปลี่ยนเส้นทางที่สั้นที่สุดที่พวกเขาพบจนถึงขณะนี้เวลาที่ใช้ในการถ่ายโอนข้อมูลนี้ระหว่างโปรเซสเซอร์สามารถเพิ่มได้

ความท้าทายอีกประการหนึ่งคือการปรับสมดุล สิ่งสำคัญคือต้องแน่ใจว่าโปรเซสเซอร์แต่ละตัวมีจำนวนงานที่ต้องทำ หากโปรเซสเซอร์หนึ่งมีส่วนย่อยที่ใหญ่กว่าของปัญหาหรืองานที่ซับซ้อนกว่าที่อื่น ๆ มันอาจกลายเป็นคอขวดและประสิทธิภาพโดยรวมของอัลกอริทึมแบบขนานจะได้รับผลกระทบ

เครื่องมือและเทคโนโลยีสำหรับอัลกอริทึม TSP แบบขนาน

มีเครื่องมือและเทคโนโลยีหลายอย่างที่สามารถช่วยให้คุณขนานอัลกอริทึม TSP ได้

หนึ่งตัวเลือกยอดนิยมคือการใช้โปรเซสเซอร์หลายตัว คอมพิวเตอร์ที่ทันสมัยส่วนใหญ่มาพร้อมกับโปรเซสเซอร์หลายตัวหลักซึ่งสามารถใช้เพื่อขนานอัลกอริทึม TSP คุณสามารถใช้ภาษาการเขียนโปรแกรมเช่น Python กับห้องสมุดเช่นการประมวลผลเพื่อใช้ประโยชน์จากโปรเซสเซอร์หลายตัวหลักเหล่านี้

อีกทางเลือกหนึ่งคือการใช้แพลตฟอร์มการคำนวณแบบกระจายเช่น Apache Hadoop หรือ Apache Spark แพลตฟอร์มเหล่านี้ช่วยให้คุณเรียกใช้อัลกอริทึมของคุณบนคลัสเตอร์ของคอมพิวเตอร์ สิ่งนี้มีประโยชน์อย่างยิ่งหากคุณต้องการจัดการกับขนาดที่มีขนาดใหญ่มาก

แอปพลิเคชั่นจริง - โลก

ในฐานะซัพพลายเออร์ TSP ฉันได้เห็นโดยตรงว่าอัลกอริทึม TSP แบบขนานสามารถนำไปใช้ในสถานการณ์จริง - โลกได้อย่างไร ตัวอย่างเช่นในโลจิสติกส์การค้นหาเส้นทางที่ดีที่สุดสำหรับรถบรรทุกส่งมอบเป็นปัญหา TSP แบบคลาสสิก ด้วยการทำให้อัลกอริทึมแบบขนาน บริษัท โลจิสติกส์สามารถค้นหาเส้นทางที่สั้นที่สุดสำหรับรถบรรทุกได้เร็วขึ้น สิ่งนี้สามารถนำไปสู่การลดการใช้เชื้อเพลิงลดค่าใช้จ่ายในการขนส่งและกำหนดการส่งมอบที่มีประสิทธิภาพมากขึ้น

ในด้านการออกแบบวงจร TSP สามารถใช้เพื่อค้นหาเส้นทางที่สั้นที่สุดสำหรับการกำหนดเส้นทางสายไฟบนแผงวงจร การทำให้อัลกอริทึมแบบขนานสามารถเร่งกระบวนการออกแบบและนำไปสู่เค้าโครงวงจรที่มีประสิทธิภาพมากขึ้น

สินค้าที่เกี่ยวข้อง

หากคุณอยู่ในอุตสาหกรรมอาหารคุณอาจสนใจผลิตภัณฑ์บางอย่างที่เรานำเสนอ ตรวจสอบไฟล์โซเดียม tripolyphosphate 95% STPP เกรดอาหารเป็นตัวแทนเก็บน้ำ- เป็นตัวแทนเก็บน้ำที่ยอดเยี่ยมสำหรับผลิตภัณฑ์อาหาร

เรายังมีคุณภาพสูง DKP CAS 7758 - 11 - 4 อาหารเกรดอาหาร dipotassium ฟอสเฟตและขายดีที่สุด Disodium Phosphate (DSP) เกรดอาหาร NA2HPO4 DSP- เหล่านี้เป็นอาหารที่มีคุณภาพสูง - ฟอสเฟตเกรดที่สามารถใช้ในการใช้งานอาหารต่างๆ

ติดต่อเราเพื่อรับการจัดซื้อ

หากคุณสนใจในโซลูชั่น TSP ของเราหรือผลิตภัณฑ์ใด ๆ ที่กล่าวถึงข้างต้นเรายินดีที่จะมีการแชทกับคุณ ไม่ว่าคุณจะต้องการเพิ่มประสิทธิภาพเส้นทางโลจิสติกส์ของคุณหรือต้องการอาหารที่มีคุณภาพสูง - ฟอสเฟตเกรดเรามีคุณครอบคลุม ติดต่อเราเพื่อจัดซื้อจัดจ้างและลองหารือกันว่าเราสามารถทำงานร่วมกันได้อย่างไรเพื่อตอบสนองความต้องการของคุณ

การอ้างอิง

• Aarts, E. , & Lenstra, JK (eds.) (1997) การค้นหาในท้องถิ่นในการเพิ่มประสิทธิภาพ combinatorial สำนักพิมพ์มหาวิทยาลัยพรินซ์ตัน
• Garey, Mr, & Johnson, DS (1979) คอมพิวเตอร์และความสามารถในการเข้ากันได้: คำแนะนำเกี่ยวกับทฤษฎีของ NP - ความสมบูรณ์ WH Freeman
• Grotschel, M. , & Holland, H. (1991) การแก้ปัญหาของพนักงานขายการเดินทางขนาดใหญ่ขนาดใหญ่ การเขียนโปรแกรมทางคณิตศาสตร์, 51 (1), 141 - 202