使用MapReduce 之平行化詢問式粒子群演算法

Abstract

動機：近年隨著巨量資料(Big Data)受到關注，各種解決方案隨之而生，平行運算(parallel computing)即為其一，本論文探討以詢問式學習法改良的粒子群最佳化(particle swarm optimization, PSO)演算法如何透過Hadoop MapReduce 架構達成平行化進行運算，用以改良其不擅處理巨量資料的缺點。 作法：本研究參考以詢問式學習法改良的PSO 演算法，此改良方法加入了含糊地帶的學習法則，提高粒子搜尋到真正解答的可能性，我們試圖將此演算法於MapReduce 架構上實現，為更有效發揮其平行運算的優勢而針對學習法則稍作修改，後以二維函數的實驗結果說明修改後的方法是否依然能引導粒子跳脫局部最佳解的困境，另實測實驗架構上的機器數量對執行效率的影響。 成果：實驗結果顯示，我們針對學習法則進行修改後，搭配適當的參數設置，演算法運行結果仍優於傳統的PSO 演算法，並且所運行的資料量越大時，平行運算架構所帶來的優勢越明顯。