一：基于spark计算框架下的带容量约束的车辆路径问题并行算法研究

Spark 分布式实现

1. Spark中各节点的功能：

Master节点：Solution Pool的存储、种群的划分、更新Soultion Pool和异常处理。

Slave节点：进行算法计算的到一个最优解。

RDD：进行数据的存储，包括节点信息的存储目的是确保每个节点都得到一个初始解。

2. 论文中RDD的描述

    首先，生成多个禁忌搜索节点进行搜索，然后将搜索到的最优解以集合的形式发送给Solution Pool。并将一半的节点数设置为导向性搜索节点，另一半为多样性搜索节点，并且通过不同的算法从Solution Pool中得到初始解。每个禁忌搜索节点抽象化一个RDD（TabuRDD）。一些相关要求如下：

Spark调度时尽可能给每个分块一个CPU；

尽量每个TS节点用一个核计算；

每个TS节点设置相同的迭代次数。

    自己的观点：前两个要求是为了在同一个节点的计算能够实现信息的共享，最后一个是为了缩短每个节点计算完成时相互等待的时间。

3. 并发算法Spark实现方式：

RDD的每次迭代：



    其中startSoultionRDD和pairRDD具有相同的分区数，在进行键值对转化时它们的分区是一一对应的。通过Collect函数将每个tabuRDD中搜索到的最好解收集起来发给Solution Pool。

细节说明：

在程序刚开始的时候将Solution Pool中生成的初始解根据分类算法形成不同的种群。在位tabuRDD选择初始解时是按照固定的算法来选择的，因为每个初始解只能被选择一次，所以每次的初始解都是不一样的。

每个禁忌搜索节点的参数不是完全相同的。

每次迭代的得到的最优解都会按照分类算法进入Solution Pool的不同种群中，同时更新Solution Pool中的每个参数。