]> AND Private Git Repository - book_gpu.git/blob - BookGPU/Chapters/chapter9/ch9.tex
Logo AND Algorithmique Numérique Distribuée

Private GIT Repository
ch15
[book_gpu.git] / BookGPU / Chapters / chapter9 / ch9.tex
1 \chapterauthor{Malika Mehdi and Ahc\`{e}ne Bendjoudi}{CERIST Research Center, DTISI, 3 rue des frères Aissou, 16030 Ben-Aknoun, Algiers, Algeria}
2
3 \chapterauthor{Lakhdar Loukil}{University of Oran, Algeria}
4
5 %\chapterauthor{Ahc\`{e}ne Bendjoudi}{CERIST Research Center, DTISI, 3 rue des frères Aissou, 16030 Ben-Aknoun, Algiers, Algeria}
6
7 \chapterauthor{Nouredine Melab}{Université Lille 1, LIFL/UMR CNRS 8022, 59655-Villeneuve d’Ascq cedex, France}
8
9 \chapter{Parallel GPU-accelerated Metaheuristics}
10 \label{chapter9}
11 \section{Introduction}
12 This chapter presents GPU-based parallel metaheuristics\index{Metaheuristics!parallel~metaheuristics}, challenges and issues related to the particularities of the GPU architecture and a synthesis on the different implementation strategies used in the literature. The implementation of parallel metaheuristics\index{Metaheuristics!parallel~metaheuristics} on GPUs is not straightforward. The traditional models used in CPUs must be rethought to meet the new requirements of GPU architectures. This chapter is organized as follows. 
13 Combinatorial optimization\index{Combinatorial~optimization} and  resolution methods are introduced in Section~\ref{ch8:sec:optim}. The main traditional parallel models used for metaheuristics are recalled in Section~\ref{ch8:sec:paraMeta}. Section~\ref{ch8:sec:challenges} highlights the  main challenges related to the GPU implementation of metaheuristics. A 
14 state-of-the-art of GPU-based parallel metaheuristics\index{Metaheuristics!parallel~metaheuristics} is summarized in Section~\ref{ch8:sec:state}. Finally, a case study is presented in Section~\ref{ch8:sec:case} and some concluding remarks are given in Section~\ref{ch8:conclusion}
15
16 \section{Combinatorial optimization} 
17 \label{ch8:sec:optim}
18
19 Combinatorial optimization\index{Combinatorial~optimization} (CO) is a branch of applied and discrete mathematics. 
20 It consists in finding optimal configuration(s) among a finite set of possible configurations 
21 (or solutions) of a given combinatorial optimization problem (COP).  The set of all possible solutions noted $S$ is called solution space or search space. Each solution  in $S$ is defined by its real cost calculated by an objective function. COPs are generally defined as follows~\cite{blumMeta}:\\  %(Definition~\ref{def:cops})
22
23
24 %\begin{minipage}{0.5\linewidth}
25 A combinatorial problem $P=(S,f)$ can be defined by: 
26 \begin{itemize} 
27 \item a set of decision variables $X$,
28 \item an objective function $f$ to optimize (minimize or maximize) over the set $S$,
29 \item subject to constraints on the decision variables.\\
30 \end{itemize}
31 %\end{minipage}
32
33 COPs are generally formulated as mixed integer programming problems (MIPS) and most of them are NP-hard~\cite{garey}. According to the quality level of solutions and deadlines required
34 for solving an optimization problem, two classes of optimization
35 methods can be distinguished: \emph{exact methods} and
36 \emph{approximate methods}. Exact methods allow one to reach optimal
37 solution(s) of the handled optimization problem with a proof of its or 
38 their optimality. The most known methods of this class are the
39 \emph{branch and bound technique}, \emph{dynamic programming},
40 \emph{constraint programming}, \emph{A* algorithm}, etc. However,
41 optimization problems, whether practical or academic, are often
42 complex and NP-hard. Moreover, a large number of real-life
43 optimization problems encountered in science, engineering, economics
44 and business are usually large-size problems for which the size of
45 the potential solution domain increases dramatically with the size
46 of the problem instance. Such problems cannot be tackled using exact
47 methods due to the excessive computation time needed by these
48 methods to catch optimal solution(s). In such
49 situation, approximate methods (or \textit{metaheuristics}) offer an
50 alternative approach to solve these problems. Indeed, these methods
51 allow one to reach good quality solutions in reasonable computation time
52 compared to exact methods but with no guarantee to find optimal or
53 even bounded solutions. This is due to the nature of the search
54 process adopted by these approaches which consists in performing a
55 search in a subset of the whole search space.\\
56
57 Regarding the number of solutions considered at each iteration in
58 the search process, two classes of metaheuristics can be
59 distinguished~\cite{talbi2009mfdti}: \textit{solution-based} and
60 \textit{population-based} metaheuristics. In the rest of this chapter, the term \emph{s-metaheuristic} refers to solution-based metaheuristic and the term \emph{p-metaheuristic} refers to population-based metaheuristic. In s-metaheuristics, the search process starts with a single solution (generally set at random) and iteratively improves it by exploring
61 its neighborhood in the search space. The most known
62 methods in this class are local search methods that include
63 \emph{simulated annealing}\index{Metaheuristics!simulated~annealing}~\cite{Kirkpatrick1983SA}, \emph{tabu
64 search}~\cite{Glover1989TS}, \emph{iterated local search\index{Metaheuristics!iterated local search}}~\cite{stutzle2006ILSforQAP},  \emph{variable neighborhood search}~\cite{HansenMladenovic1997VNS}, etc. 
65
66 Unlike s-metaheuristics, p-metaheuristics start with a population of solutions and implement an iterative process that evolves the current population towards a new
67 population of better quality solutions. The process is repeated
68 until a stopping criterion is satisfied. \emph{Evolutionary
69 algorithms}, \emph{swarm optimization} and \emph{ant colonies} fall
70 into this class.
71
72
73 \section{Parallel models for metaheuristics}\label{ch8:sec:paraMeta}
74 Optimization problems, whether real-life or academic, are more often
75 NP-hard and CPU time and/or memory consuming. Metaheuristics allow
76 to significantly reduce the computational time of the search process
77 but remain time-consuming particularly when it comes to tackle
78 large-size problems. \\
79
80 The use of parallelism in the design of metaheuristics is a relevant
81 approach that is widely adopted by the combinatorial optimization
82 community for various reasons:
83
84 \begin{itemize}
85   \item One of the main goals of parallelism is to reduce the search
86 time. This will allow the design of high performance optimization
87 methods and to solve large-size optimization problems.
88
89   \item Sequential processor architectures have reached their
90 physical limit that prevents creating faster processors. The current
91 trend of microprocessor manufacturers consists in placing multiple
92 cores on a single chip. Nowadays, laptops and workstations are
93 multi-core processors. In addition, the evolution of network
94 technologies and the proliferation of broadband networks have made
95 possible the emergence of clusters of workstations (COWs), networks
96 of workstations (NOWS) and large-scale networks of machines (grids)
97 as platforms for high performance computing.
98 \end{itemize}
99
100 From the granularity of parallelism point of view, three major parallel
101 models for metaheuristics can be distinguished~\cite{talbi2009mfdti}: \emph{algorithmic-level}\index{Metaheuristics!algorithmic-level parallelism},
102 \emph{iteration-level} \index{Metaheuristics!iteration-level parallelism} and \emph{solution-level} as illustrated in Figure~\ref{ch8:fig:paraMeta}. \\
103
104 \begin{figure}[h!]
105 \centerline{\includegraphics[width=0.6\textwidth]{Chapters/chapter9/figures/paraMeta.pdf}}
106 \caption{Parallel models for metaheuristics}
107 \label{ch8:fig:paraMeta}
108 \end{figure}
109
110 \begin{itemize}
111
112 \item{In algorithmic-level\index{Metaheuristics!algorithmic-level parallelism} parallel model, several self-contained
113 metaheuristics are launched in parallel. The parallel metaheuristics\index{Metaheuristics!parallel~metaheuristics}
114 may start with identical or different solutions (s-metaheuristics case) or populations (p-metaheuristics
115 case), their parameter settings such as the size of tabu list for
116 tabu search\index{Metaheuristics!tabu~search}, transition probabilities for ant colonies, mutation and
117 crossover probabilities for evolutionary algorithm\index{Metaheuristics!evolutionary~algorithm}s may be the same
118 or different. The parallel processes may evolve independently or in
119 cooperative manner. In cooperative parallel models, the algorithms
120 exchange information related to the search during evolution in order 
121 to find better and more robust solutions.}
122
123 \item{In iteration-level\index{Metaheuristics!iteration-level parallelism} parallel model, the focus is on the
124 parallelization of each iteration of the metaheuristic. Indeed,
125 metaheuristics are generally iterative search processes. Moreover,
126 the most resource-consuming part of a metaheuristic is the
127 evaluation of the generated solutions at each iteration. For
128 s-metaheuristics (e. g. tabu search\index{Metaheuristics!tabu~search}, simulated
129 annealing, variable neighborhood search), the evaluation and
130 generation of the neighborhood is the most time-consuming step of
131 the algorithm particularly when it comes to deal with large
132 neighborhood sets. In this parallel model, the neighborhood is
133 decomposed into partitions, each partition is evaluated in a
134 parallel way. For p-metaheuristics (e. g.
135 evolutionary algorithm\index{Metaheuristics!evolutionary~algorithm}s, ant colonies, swarm optimization),
136 iteration-level\index{Metaheuristics!iteration-level parallelism} parallel model arises naturally since these
137 metaheuristics deal with a population of independent solutions. In
138 evolutionary algorithm\index{Metaheuristics!evolutionary~algorithm}s, for instance, the iteration-level\index{Metaheuristics!iteration-level parallelism} model
139 consists in decomposing the whole population into several partitions where
140 each partition is evaluated in parallel.}
141
142 \item{In solution-level\index{Metaheuristics!solution-level~parallelism} parallel model, the focus is on the
143 parallelization of the evaluation of a single solution. This model
144 is useful when the objective function and/or the constraints are
145 time and/or memory consuming. Unlike the two previous parallel
146 models, the solution-level\index{Metaheuristics!solution-level~parallelism} parallel model is problem-dependent.}
147 \end{itemize}
148
149 \section{Challenges for the design of GPU-based metaheuristics}
150 \label{ch8:sec:challenges} 
151
152 Developing GPU-based parallel metaheuristics\index{Metaheuristics!parallel~metaheuristics} is not straightforward. 
153 The parallel models have to be rethought to meet the new requirements 
154 of the GPU architecture. Several major issues have to be taken into account both at design and 
155 implementation levels to develop efficient metaheuristics on GPU. 
156 These issues are mainly related to the size and latency of the GPU memories, 
157 thread synchronization and divergence, the distribution of tasks and data
158 transfer between the CPU and GPU~\cite{luongMultiStart}.
159
160 \subsection{Data placement on a hierarchical memory}
161 \index{GPU Challenges!data~placement}
162 During the execution of metaheuristics on GPU, the different threads 
163 may access multiple data structures from multiple memory spaces. These 
164 memories have different sizes and access latencies. Nevertheless, faster 
165 memories (registers, shared and constant memories) are generally very 
166 small in size and the larger memories (global memory) are relatively slower. 
167 On the other hand, p-metaheuristics require the exploration of a large 
168 amount of individuals to diversify the search. Moreover, an efficient 
169 execution of s-metaheuristics requires exploring large neighborhoods. 
170 Thus, programmers have to take into account this point to efficiently place the different data structures of the metaheuristic on the different memories to benefit from both the 
171 faster memories and the larger ones. A deep study has to be performed 
172 on both the metaheuristic data structures (size and access frequency) 
173 and the GPU memories (size and access latency) to identify which data 
174 will be placed on which memory. Generaly, the most accessed ones should 
175 be put on faster memories (registers, shared memory) and larger ones on 
176 the lager memories (global memory). Moreover, an efficient mapping between 
177 threads and the corresponding metaheuristic elements (one neighbor per thread, 
178 one individual per thread, single population per threads block, one ant per 
179 thread, etc.) must be defined to unsure a maximum occupancy of the GPU and 
180 to cover CPU/GPU communication\index{GPU Challenges!CPU/GPU~communication} and memory access times.\\
181
182 According to the used metaheuristic and to the handled problem, the data 
183 values may have different types and different ranges of their values. The data 
184 types should then be chosen carefully and the ranges of the data values should 
185 be analyzed to minimize the amount of occupied memory space.\\
186
187 In addition to the size and latency of GPU memories issues, the memory access pattern 
188 is another important issue to be dealt with to speedup GPU-based metaheuristics. 
189 Indeed, the different memories have been designed to achieve specific features that 
190 programmers must take into account to optimize their codes and then to benefit from 
191 these features. For instance, the global memory is optimized for coalesced accesses. 
192 The texture, respectively the constant memory are read-only memories and optimized 
193 for uncoalesced accesses respectively for simultaneously accesses of all threads to 
194 the same location~\cite{luongMultiStart}. Therefore, to improve the performance of the kernel execution, the programmers should put coalesced data on global memory, uncoalesced read-only (e.g. metaheuristic instance data) on texture, concurrent read-only on constant memory (e.g. 
195 data for fitness evaluation that all threads concurrently access), and the most accessed 
196 data structures on the shared memory (e.g. population of individuals for a CUDA thread 
197 block).
198
199 \subsection{Threads synchronization}
200 \index{GPU Challenges!threads~synchronization}
201 The thread synchronization issue is caused by both the GPU architecture and the synchronization requirements 
202 of the implemented method. Indeed, GPUs are based on a multi-core architecture 
203 organized into several multi-processors (Streaming Multiprocessor SM) supporting the 
204 SPMD model (Single Program Multiple Data). Each SM contains several cores executing 
205 the same instruction of different threads following the SIMD model (Single Instruction 
206 Multiple Data). These threads belong to a warp (a group of 32 threads) and handle 
207 different data elements. Furthermore, an efficient execution of applications on GPU 
208 is achieved when launching a large amount of threads (thousands of threads)~\cite{CUDA}. 
209 However, the execution order of these thousands of threads is unknown by the programmer 
210 making the prediction of their execution order a challenging issue. On an other hand, 
211 the developer has to control explicitly the threads through the insertion of barrier 
212 synchronizations in the codes to avoid concurrent accesses to data structures and to meet some   requirements related to data-dependent synchronizations. 
213
214 \subsection{Thread divergence}
215
216 Thread divergence\index{GPU Challenges!thread~divergence} is another challenging issue in GPU-based metaheuristics~\cite{cecilia, pugace, audreyANT}. Generally, metaheuristics contain irregular loops and conditional instructions when generating and evaluating the neighborhood (s-metaheuristics), respectively the population (p-metaheuristics) in the same block. In addition,  the decision of applying or not a crossover or a mutation on an individual in a genetic algorithm\index{Metaheuristics!genetic~algorithm} and the exploration of different paths using an ant colony\index{Metaheuristics!ant~colony~optimization} are random operations. Threads of the same warp have to execute simultaneously instructions leading to different branches whereas in a SIMD model the threads of a same warp execute the same instruction at a time. Consequently, the different branches of a conditional instruction which is data-dependent lead to a serial execution of the different threads degrading the performance of the application in 
217 terms of execution time. The challenge here is then to revisit the traditional irregular metaheuristic codes to eliminate these divergences. 
218
219 \subsection{Task distribution and CPU/GPU communication}
220
221 The performance of GPU-based metaheuristics in terms of execution time could be improved 
222 by choosing the most appropriate parallel model (algorithmic-level\index{Metaheuristics!algorithmic-level parallelism}, instruction-level, 
223 solution-level\index{Metaheuristics!solution-level~parallelism}). Moreover, an efficient decomposition of the metaheuristic and efficient 
224 assignment of code portions between the CPU and GPU should be adopted. The objective 
225 is to take benefit from the GPU computing power without affecting the efficiency and 
226 the behavior of the metaheuristic and without losing performance in CPU/GPU communication\index{GPU Challenges!CPU/GPU~communication}
227 and memory accesses. In order to decide which part of the metaheuristic will be executed 
228 on which component, one should perform a careful analysis on the serial code of the 
229 metaheuristic, identify the compute-intensive tasks (e.g. exploration of the neighborhood, 
230 evaluation of individuals, etc.), and then offload them to the GPU, while the reminder 
231 tasks still run on the CPU in a serial way. \\
232
233 On another hand, the CPU/GPU communication\index{GPU Challenges!CPU/GPU~communication} is done through the global memory which is a 
234 slow memory making the memory transfer between the CPU and GPU time-consuming and can 
235 significantly degrade the performance of the application. Therefore, accesses to this 
236 memory should be optimized by minimizing the amount of transferred data between the 
237 two components in order to reduce the communication time and then the whole execution 
238 time of the metaheuristic. 
239
240 \section{State-of-the-art parallel metaheuristics on GPUs}
241 \label{ch8:sec:state}
242 After more than two decades of research  devoted by the combinatorial optimisation 
243 community  for developing adequate parallel metaheuristics\index{Metaheuristics!parallel~metaheuristics} for different types of 
244 parallel architectures (clusters, supercomputers and grids), the actual developement 
245 of GPGPU brings new challenges for parallel metaheuristics\index{Metaheuristics!parallel~metaheuristics} on SIMD architectures.\\
246
247 The first works on metaheuristic algorithms implemented on GPUs have started on old 
248 graphics cards before the appearance of modern GPUs equipped with high level 
249 programming interfaces such as CUDA and OpenCL. Among these pioneering works we cite 
250 the work of Wong \emph{et al.}~\cite{wongOldGPU2006} ($2006$) dealing with the implementation 
251 of EAs on graphics processing cards and the work by Catala \emph{et al.} in~\cite{catala2007} ($2007$) where the ACO\index{Metaheuristics!ant~colony~optimization} algorithm is implemented on old GPU architectures. Yu \emph{et al.}~\cite{yu2005} and Li \emph{et al.}~\cite{li2007} proposed a full parallelization of genetic algorithm\index{Metaheuristics!genetic~algorithm}s  on old GPU architectures using shader libraries based on Direct3D and OpenGL.\\
252
253 Such architectures are based on pre-configured pipelined stages used to accelerate 
254 the transformation of 3D geometric primitives into pixels. Implementing a general-purpose 
255 algorithm on such pre-configured architectures is very hard and requires the 
256 tailoring of the algorithm's data and instructions to fit the pipelined stages 
257 of the GPU. Since then, GPU architectures have evolved to become programmable using high level 
258 programming interfaces. In this section we will focus only on recent state-of-the-art works 
259 dealing with metaheuristics implementation on modern programmable GPUs. 
260 In this review two classes are considered: (1) s-metaheuristics on GPUs and  
261 (2) p-metaheuristics on GPUs. A comparative study is 
262 done between the main works and a classification of the different existing strategies is proposed in Section~\ref{ch8:sec:synthesis}. 
263
264 \subsection{Implementing solution-based metaheuristics on GPUs}
265
266
267 A very basic local search algorithm starts with an initial solution generated either at random 
268 or by the mean of a specific heuristic and is based on two elementary components: the generation 
269 of neighborhood structures using an elementary move function and a selection function which 
270 determines which solution in the current neighborhood 
271 will replace the actual search point. The search continues as long as there is 
272 improvement and stops when there is no better solution in the current neighborhood. 
273 The exploration (or evaluation) of the different moves of a given neighborhood is done 
274 independently for each move. Thus, the easiest way to accelerate a local search algorithm 
275 is to parallelize the evaluation of the neighborhood (instruction-level parallelism). This 
276 is  by far the most used scheme in the literature for parallelizing local search algorithms 
277 on GPUs. Nevertheless, small neighborhoods may lead to  non optimal occupation of the CUDA 
278 threads which may lead in its turn to an overhead due to the communication and memory latencies. 
279 Therefore, large neighborhoods are necessary for efficient implementation of 
280 local searches on GPUs.\\
281
282 Luong \emph{et al.}~\cite{luong2010large} proposed efficient mappings for large neighborhood 
283 structures on GPUs. In this work, three different neighborhoods are studied and mapped to the 
284 hierarchical GPU for binary problems. The three neighborhoods are based on the \emph{Hamming} distance. The move operators used in the three neighborhoods consider \emph{Hamming} distances of 1, 2 and 3 respectively (it consists on flipping the binary value of one, two or three positions at a time in the candidate binary vector, respectively). In~\cite{luong2010large}, each thread is associated to a unique solution in the neighborhood. The addressed issue is how to efficiently map the different neighborhoods on the device memory. More explicitly, how to calculate the memory index of each solution associated to each CUDA thread's \textit{id}. 
285 %For 1-Hamming neighborhoods, as there is exactly n solutions in the neighborhood, the mapping of this neighborhood to CUDA threads is obvious: the CPU host offloads to GPU exactly $n$ threads, and each thread id is associated to one index in the binary vector. In the case of 2-Hamming and 3-Hamming neighborhoods, each thread id should be mapped respectively to two and three indexes  in the candidate vector. 
286 The three neighborhoods are  implemented and experimented on the Permuted Perceptron Problem (PPP) using a tabu search\index{Metaheuristics!tabu~search} algorithm (TS). Accelerations from $9.9 \times$ to $18.5 \times$ are obtained on different problem sizes.\\ % The experiments are performed on an Intel Xeon 8 cores 3GHz coupled with an NVIDIA GTX 280 card.\\
287
288 In the same context, Deevacq \emph{et al.}~\cite{audreyANT} proposed two parallelization strategies inspired by the multi-walk parallelization strategy, of a 3-opt iterated local search\index{Metaheuristics!iterated local search} algorithm (ILS) over a CPU/GPU architecture. In the first strategy, each LS is associated to a unique CUDA thread and improves a unique solution by generating 
289 its neighborhood. On the contrary, the second strategy associates each solution to a 
290 CUDA block and the neighborhood exploration is parallelized on the block threads. In the first strategy, since several LS are executed on different solutions on each MP, the data structures 
291 should be stored on the global memory while the exploration of a single solution at a 
292 time in the second strategy allows the use of the shared memory to store the related 
293 data structures. The two strategies have been experimented on standard benchmarks of 
294 the Traveling Salesman Problem (TSP) with sizes varying from $100$ to $3038$ cities. The results indicate that increasing the number of solutions to be explored simultaneously improves the speedup in the two strategies  but on the same time it decreases final solution quality. The greater speedup factor reached by the second strategy is $6 \times$.\\
295
296 The same strategy is used by Luong \emph{et al.} in~\cite{luongMultiStart} to implement multi-start parallel local search algorithms (a special case of the algorithmic-level\index{Metaheuristics!algorithmic-level parallelism} parallel model 
297 where several homogeneous LS algorithms are used). The multi-start model is combined with iteration-level\index{Metaheuristics!iteration-level parallelism} parallelism: several LS algorithms are managed by the CPU and the neighborhood evaluation step of each algorithm is parallelized on the GPU (each GPU thread is 
298 associated with one neighbor and executes the same evaluation function kernel). 
299 The advantage of such a model is that it allows a  high occupancy of the GPU 
300 threads. Nevertheless, memory management\index{GPU Challenges!memory~management} causes new issues due to the quantity of 
301 data to store and to communicate between CPU     and GPU. A second proposition for 
302 implementing the same model on GPU consists in implementing the whole LS processes 
303 on GPU and each GPU thread is associated to a unique LS algorithm. This solves the 
304 communication issue encountered in the first model. In addition, a memory management\index{GPU Challenges!memory~management}
305 strategy is proposed to improve the efficiency of the algorithmic-level\index{Metaheuristics!algorithmic-level parallelism} model: 
306 texture memory is used to avoid memory latency due to uncoalesced memory accesses. 
307 The proposed approaches are implemented on the quadratic assignment problem (QAP) using 
308 CUDA. The acceleration rates obtained for the 
309 algorithmic-level\index{Metaheuristics!algorithmic-level parallelism} with usage of texture memory rise from $7.8\times$ to $12\times$ (for different 
310 QAP benchmark sizes). \\
311
312 Janiak \emph{et al.}~\cite{Janiak_et_al_2008} implemented two algorithms for 
313 TSP and the flow shop scheduling problem (FSP). These algorithms are based on a 
314 multi-start tabu search\index{Metaheuristics!tabu~search} model. Both of the two algorithms exploit multi-core CPU and GPU. 
315 A full parallelization on GPU is adopted using shader libraries where each thread is 
316 mapped with one tabu search\index{Metaheuristics!tabu~search}. However, even though their experiments report that the 
317 use of GPU speedups the serial execution almost $16 \times$, the mapping of one 
318 thread with one tabu search\index{Metaheuristics!tabu~search} requires a large number of local search algorithms to 
319 cover the memory access latency. The same mapping policy is adopted by Zhu \emph{et al.} in~\cite{zhu_et_al_2008} (one thread is associated to one local search) solving the quadratic assignment problem but using the CUDA toolkit instead of shader libraries.\\
320
321 Luong \emph{et al.}~\cite{luong2012ppsn} proposed a GPU-based implementation of hybrid metaheuristics on heterogeneous parallel architectures (multi core CPU  coupled to one GPU).  The challenges of using such a heterogeneous architecture consist on the task distribution between the CPU cores and the GPU in such a way to have optimal performances. Among the three traditional parallel models (solution-level\index{Metaheuristics!solution-level~parallelism}, iteration-level\index{Metaheuristics!iteration-level parallelism} and algorithmic-level\index{Metaheuristics!algorithmic-level parallelism}), the authors pointed out that the most convenient model for the 
322 considered heterogeneous architecture is a hybrid  model combining iteration-level\index{Metaheuristics!iteration-level parallelism} 
323 and algorithmic-level\index{Metaheuristics!algorithmic-level parallelism} models. Several CPU threads execute several instances of the same 
324 S-metaheuristic in parallel while the GPU device is associated to one CPU core and  used 
325 to accelerate the neighborhood calculation of several S-metaheuristics in the same time. 
326  In order to efficiently exploit the remaining CPU cores, a load 
327 balancing heuristic is also proposed in order to decide on the number of additional 
328 S-metaheuristics to launch on the remaining CPU cores relatively to the efficiency of the GPU calculations. The proposed approach is applied to the QAP using several instances of FANT algorithm~\cite{taillardFant}. \\
329
330 All the previous works  exploit the same parallel models used on CPUs based on the 
331 task parallelism. A different implementation approach is proposed by Paul in~\cite{gerald2012} 
332 to implement a simulated annealing\index{Metaheuristics!simulated~annealing} (SA) algorithm for the QAP on GPUs. Indeed, the author used 
333 a preinitialized matrix \emph{delta} in which the incremental evaluation of simple swap moves are 
334 calculated and stored relatively to the initial  permutation $p$. For the GPU implementation, 
335 the authors used the parallel implementation of neighborhood exploration. The time consuming 
336 tasks in the SA-matrix are identified by the authors as: updating the matrix and passing through it to select the next accepted move. To initialize the delta matrix, several threads from different blocks explore different segments of the matrix (different moves) at the same time.  In order to select the next accepted swap several threads are also used. Starting from the last move, a group of threads explore different subsets of the delta matrix. The shared memory is used to pre-load all the necessary elements for a given group of threads responsible of the updating of the delta matrix. The main difference in this work compared to the previous works resids in the introduction of a data parallelism using the precalculated delta matrix. The use of this matrix allows to increase the number of threads involved in the evaluation of a single move. Experimentations are done on standard QAP instances from the QAPLIB~\cite{burkard1991qaplib}. Speedups up to $10 \times$ are achieved by the GPU implementation compared 
337 to the same sequential implementation on CPU using SA-matrix.\\
338
339 \subsection{Implementing population-based metaheuristics on GPUs} 
340
341 State-of-the-art works dealing with the implementation of p-metaheuristics on GPUs generally rely 
342 on parallel models and research efforts done for parallelizing different classes of p-metaheuristics over different types of parallel architectures: supercomputers, clusters and computational grids. Three main classes of p-metaheuristics are considered in this section: evolutionary algorithm\index{Metaheuristics!evolutionary~algorithm}s (EAs), ant colony\index{Metaheuristics!ant~colony~optimization} optimization (ACO\index{Metaheuristics!ant~colony~optimization}) and particle swarm optimization\index{Metaheuristics!particle swarm optimization} (PSO). 
343
344 \subsubsection*{Evolutionary Algorithms} 
345
346 Traditional parallel models for EAs are classified in three main classes: coarse grain models using several sub-populations (islands), master-slave models used for the parallelization of CPU intensive steps (evaluation and transformation) and cellular models based on the use of one population disposed (generally) on a toroidal grid. 
347
348 The three traditional models have been implemented on GPUs by several researchers for different 
349 optimization problems. The main chalenges to be raised when implementing the traditional models on GPUs concern (1) the saturation of the GPU in order to cover memory latency by calculations, and (2) efficent usage of the hierarchical GPU  memories.\\
350
351 In~\cite{kannan}, Kannan and Ganji presented a CUDA implementation of the drug discovery application 
352 Autodock (molecular docking application). Autodock uses a genetic algorithm\index{Metaheuristics!genetic~algorithm} to find optimal docking 
353 positions of a ligand to a protein. The most time consuming task in Autodock is the fitness function 
354 evaluation. The fitness function used for a docking problem consists in calculating the energy  of the ligand-protein complex (sum of intermolecular energies). The authors explored two different approaches to evaluate the fitness function on GPU. In the first approach, each GPU thread calculates the energy function of a single individual. This approach requires the use of large size populations to saturate the GPU (thousands of individuals). In the second approach each individual is associated to one thread block. The evaluation of the energy function is performed by the threads of the same block. This allows the use of medium population sizes (hundreds of individuals) and the acceleration of a single fitness 
355 evaluation. Another great advantage of the per block approach resides in the use of shared memory instead of global memory to store all the information related to each individual. The obtained speedups range from  $10 \times$ to $47 \times$ for population sizes 
356 ranging from $50$ to $10000$. \\ 
357
358 Maitre \emph{et al.}~\cite{maitre2009} also exploited the master-slave parallelism of EAs on GPUs using EASEA. EASEA is a C-like metalanguage for easy development of EAs. The user writes a description  of the problem specific components (fitness function, problem representation, etc) in EASEA. The code  is then compiled to obtain a ready to use evolutionary algorithm\index{Metaheuristics!evolutionary~algorithm}. The EASEA compiler  uses genetic algorithm\index{Metaheuristics!genetic~algorithm}LIB and EO Libraries to produce C++ or JAVA written EA codes. In~\cite{maitre2009}, the authors  proposed an extension of EASEA to produce CUDA code from the EASEA files. This extension has been used  to generate a master-worker parallel EA in which the sequential algorithm is maintained on CPU and the population is sent to GPU for evaluation. Two problems have been considered during the experiments: a benchmark mathematical function and a real problem (molecular structure prediction). In order to maximize the GPU 
359 occupation, very large populations are used (from $2000$ to $20000$). Even though transferring such large 
360 populations from the CPU to the GPU device memory at every generation is very costly, the authors reported important speedups on the two problems on a GTX260 card:  $105 \times$ is reported for the benchmark function while for the real problem the reported speedup is $60 \times$. This may be best explained by the complexity of the fitness functions. Nevertheless, there is no indication in the paper about the memory management\index{GPU Challenges!memory~management} of the populations on GPU.\\ 
361
362 The master-slave  model is efficient when the fitness function is highly time intensive. 
363 Neverethless, it requires the use of large size populations in order to saturate the GPU unless the per-block is used (one individual per-block) when the acceleration of the fitness function itself is possible. The use of many sub-populations of medium sizes is another way to obtain a maximum occupation of the GPU. This is coarse grained prallelism (island model).\\
364
365 The coarse grained model is  used by Pospichal \emph{et al.} in~\cite{pospichal10} to implement a parallel genetic algorithm\index{Metaheuristics!genetic~algorithm} on GPU. In this work the entire genetic algorithm\index{Metaheuristics!genetic~algorithm} is implemented on GPU. This choice is motivated by the overhead induced by the CPU/GPU communication\index{GPU Challenges!CPU/GPU~communication} when only population evaluation is performed on GPU. Each population island is affected to a CUDA thread block and each thread is responsible of a unique individual. Sub-populations are stored on shared memory of each block. Nevertheless, because inter-block communications are not possible on the CUDA architecture, the islands evolve independently in each block and migrations are performed 
366 asynchronously through the global memory. That is, after a given number of generations, selected individuals for migration from each island are copied to the GPU global memory part of the neighbor island and then to its shared memory to replace the worst individuals in the local population. The experiments are performed on three benchmark mathematical functions. During these experiments, the island sizes are varied from $2$ to $256$ individuals and island numbers from $1$ to $1024$. The maximum performance is achieved for high number of islands and increasing population sizes.\\ 
367
368 The same strategy is also adopted by Tsuitsui and Fujimoto in~\cite{tsutsuiGAQAP}  to implement a coarse grained genetic algorithm\index{Metaheuristics!genetic~algorithm} on GPU to solve the quadratic assignment problem (QAP). Initially, several sub-populations are created on CPU and transfered to the global memory. The sub-populations are organized in the global memory into blocks of $8$ individuals in such a way to allow coalesced memory access by the threads of the same  thread block. Each sub-population is allocated to a single thread block in the GPU and transfered to the shared memory to start evolution. Population evaluation and transformation are done in parallel by the different threads of a given block. Migration is also done through the global memory. 
369 Experiments are performed on standard QAP benchmarks from the QAPLIB~\cite{burkard1991qaplib}. The GPU implementation reached speedups of $2.9\times$ to $12.6 \times$ compared to a single core implementation of a coarse grained genetic algorithm\index{Metaheuristics!genetic~algorithm} on a Intel i7 processor.\\
370
371 Nowotniak \emph{et al.}~\cite{nowotniak} proposed a GPU-based implementation of quantum inspired genetic algorithm\index{Metaheuristics!genetic~algorithm} called QIGA. The used parallel model is a hierarchical model based on two levels: each thread in a block transforms a unique individual and a different population is assigned to each block. The algorithm is entirely run on GPU. A different instance of the QIGA is run on each block and the computations have been shared between 8 GPUs. This approach is very convenient to speedup the experimental process on metaheuristics 
372 that require several independent runs of the same algorithm in order to asses statistical efficiency. The populations are stored in the shared memory, the data matrix used for fitness evaluation is placed in read only constant memory and finally seeds for random numbers generated on the GPU are stored in the global memory.\\
373
374 In coarse grained parallelism, the use of the per-block approach to implement 
375 the islands (one sub-population per thread block) is almost natural  and it 
376 allows the use of shared memory to store the sub-populations. Fine grained 
377 parallel models for EAs (cellular EAs) have been used by many authors to implement 
378 parallel EAs on GPUs. Indeed, the fine grained parallelism of cEAs fits perfectly to 
379 the SIMD architecture of the GPU. \\
380
381 Pinel \emph{et al.} in~\cite{pinel2012JPDC} developed a highly parallel synchronous cellular genetic algorithm\index{Metaheuristics!genetic~algorithm} (CGA), called GraphCell, to solve the independent task scheduling problem on GPU architectures. In CGAs, the population is arranged into a two dimensional toroidal grid where only neighboring solutions are allowed to interact with each other  during the recombination step. In GraphCell, two recombination operators for CGA are especially designed to run efficiently on GPU. Indeed, instead of assigning a single thread to each solution of the population to perform the recombination, in GraphCell, a single thread is assigned to each task  of each solution. Offsprings are created by independently modifying the assignment of some tasks in the current solution. Mainly, each thread chooses 
382 one neighboring solution in the grid as second parent using different selection strategies and assigns one  task of  the solution (first parent) to the machine for which the same task is assigned in the second parent.  This 
383 way, the number of threads used for the recombination step is equal to: population size $\times$  size of the solution (number of tasks). This leads to a high number of threads used to accelerate the recombination operators especially when dealing with large instances of the problem. In addition to the recombination operators, the rest of the CGA steps are  also parallelized on GPU (fitness evaluation, mutation and replacement).\\
384
385 A similar work is proposed by Vidal and Alba  in~\cite{albaCGAGPU} where a  CGA using a toroidal grid is completely implemented on GPU. A direct mapping between the population and the GPU threads is done. At each step, several threads execute the same operations on each individual independently: initialization, computing the neighborhood, selection, crossover, mutation and evaluation.  A synchronization is done for all threads to perform the replacement stage and form the next generation. 
386 All the data of the algorithm is placed on the global memory. Several experiments have been performed on a set of standard benchmark functions with different grid sizes ranging from $32^2$ to $512^2$. 
387 The speedups reached by the GPU implementation against the CPU version range from $5\times$ to $24\times$ and increases as the size of the population increases. However, the CPU implementation run faster than the GPU version for all the tested  benchmarks when the size of the population is set to $32^2$. When the size of the population is too small, there is not enough computations to cover the overhead created by the call of kernel functions, CPU/GPU communication\index{GPU Challenges!CPU/GPU~communication}s, synchronisation and acces to global memory. Finally, an interesting review on GPU parallel computation in bio-inspired algorithms is proposed by Arenas \emph{et al.} in~\cite{arenas2011}. \\
388
389 \subsubsection*{Ant Colony Optimization} 
390
391 Ant colony optimization (ACO\index{Metaheuristics!ant~colony~optimization}) is another p-metaheuristic subject to parallelization on GPUs. State-of-the-art works on parallelizing ACO\index{Metaheuristics!ant~colony~optimization} focuses on accelerating the tour construction step performed by each ant by taking a task-based parallelism approach, with pheromone deposition on the CPU. 
392
393 In~\cite{cecilia}, Cecilia \emph{et al.}  presented a GPU-based implementation of ACO\index{Metaheuristics!ant~colony~optimization} for TSP where the two steps (tour construction and pheromone update) are parallelized on the GPU. A data parallelism approach is used to enhance the performance of the tour  construction step. The authors used two categories of artificial ants: queen ants associated with CUDA thread-blocks and worker ants associated with CUDA threads. A queen ant represents a simulated ant and worker ants collaborate with the queen ant to accelerate the decision about the  next city to visit. The tour construction step of each queen ant is accelerated. Each worker ant  maintains a history of the search in a tabu list containing a chronological 
394 ordering of the already visited cities. This memory is used to determine the feasible neighborhood. After all queen ants have constructed their tours, the pheromone trails are updated. For pheromone update, several GPU techniques are also used to increase the data bandwidth of the application mainly by the use of precalculated matrices that are easily updated by several threads (one thread per matrix entry). The achieved speedups are $21 \times$ for tour construction and  $20 \times$ for pheromone updates.\\
395
396 In another work, Tsuitsui \emph{et al.}~\cite{tsutsui} proposed  a hybrid algorithm combining ACO\index{Metaheuristics!ant~colony~optimization} metaheuristic and Tabu search (TS)\index{Metaheuristics!tabu~search} implemented on GPU to solve the QAP. A solution of QAP is represented as a permutation of ${1,2,..,n}$ with $n$ being the size of the problem. The TS algorithm is based on the 2-opt neighborhood (swapping of two elements $(i,j)$ in the permutation). The authors pointed out that the move cost of each neighbor depends on the couple $(i,j)$. Two groups of moves are formed according to the move cost. In order to avoid thread divergence\index{GPU Challenges!thread~divergence} within the same warp, the neighborhood evaluation is parallelized in such a way to assign only moves of the same cost to each thread warp. This strategy is called MATA for Move-cost Adjusted Thread Assignment. Concerning the memory management\index{GPU Challenges!memory~management}, all the data of the ACO\index{Metaheuristics!
397 ant~colony~optimization} (population, pheromone matrix), QAP matrices, TS tabu list, are placed on the global memory of the GPU. Shared memory is used only for working data common to all threads in a given block.
398  All the 
399 steps of the hybrid algorithm ACO\index{Metaheuristics!ant~colony~optimization}-TS (ACO\index{Metaheuristics!ant~colony~optimization} initialization, pheromone update, construct solutions, applying TS) are implemented as kernel functions on the GPU. The GPU/CPU communication are only used to transfer the best so far solution in order to verify termination conditions. The experiments performed on standard QAP benchmarks showed that the GPU implementation using MATA obtained a  speedup of $19 \times$  compared to the CPU implementation,  against a speedup of only $5 \times$  when MATA is not used. \\ 
400
401 \subsubsection*{Particle Swarm Optimization} 
402 In~\cite{zhou2009} Zhou and Tan proposed a full GPU implementation of a standard PSO algorithm. All the data is stored in global memory (velocities, positions, swarm population, etc). Only working data is copied to shared memory by each thread. The four steps of the PSO have been parallelized on GPU:  Fitness evaluation of the swarm, update of local best and global best  of each particle and update of velocity and position of each particle. The same strategy is used to parallelize the first and last  steps: the evaluation of fitness functions is performed in parallel for each dimension  by several threads. It is the case for the update of position and velocities of each particle: one dimension at a time is updated for the whole swarm by several threads. Random numbers needed for  updating the velocities and positions for the whole PSO processes are generated on CPU at the starting of the algorithm and transferred to the GPU global memory. For the steps 2 and 3 (update of local 
403 best and global best of each particle), the GPU threads are mapped to the N particles of the swarm one to one. Experiments done on four benchmark functions show speedups ranging from $3.7 \times$ to $9.0 \times$ for swarm sizes ranging from $400$ to $2800$.\\
404
405 \subsection{Synthesis of the implementation strategies}
406 \label{ch8:sec:synthesis}
407 After reviewing some works dealing with GPU-based implementation of metaheuristics, 
408 in this section we will try to come up with a classification of the different 
409 strategies used in the literature for the implementation of metaheuristics on GPUs. 
410 One may distinguish between the parallel models adopted in each metaheuristic (design level)  and the way they are exploited on GPU architectures (implementation level). Indeed, even though the parallelization models used in most works for GPUs are inspired from the traditional parallel models of each metaheuristic (on CPU), their implementation could take a different way and sometimes it may result in new parallel models customized for GPUs.\\
411
412 Traditional parallel models for metaheuristics are based on an intuitive task parallelism: the independent tasks of the algorithms are simply parallelized. For example, in the case of s-metaheuristics, the evaluation of large neighborhoods could be done in parallel since there is no synchronization at this step of the algorithm. That is the case of EAs  when it comes to apply the evaluation step. Nevertheless, because of the particularity of the GPU architecture, some authors used new implementation techniques to enhance the data parallelism in the sequential algorithms in order to increase the data throughput of the application.\\ 
413
414 From this observation we propose the following classification based on 2 levels: design level and implementation level as illustrated in Figure~\ref{ch8:fig:classification}. The design level regroups the three classes of parallel models used in metaheuristics (solution-level\index{Metaheuristics!solution-level~parallelism}, iteration-level\index{Metaheuristics!iteration-level parallelism}, algorithmic-level\index{Metaheuristics!algorithmic-level parallelism}) with examples for s-metaheuristics, EAs, ACO\index{Metaheuristics!ant~colony~optimization} and PCO. This classification  is principally built from the reviewed state-of-the-art works  in the previous section. The implementation level refers to the way these parallel design models are implemented on GPU. This classification focuses only on the mapping strategies between the GPU threads and the parallelized tasks (neighborhood evaluation, solution construction and so on). The different implementation strategies are explained in the following sections.\\
415
416 \begin{figure}[h]
417 \centerline{\includegraphics[width=1\textwidth]{Chapters/chapter9/figures/classification.pdf}}
418 \caption{A two level classification of state-of-the-art GPU-based parallel metaheuristics.}
419 %[Comparison of number of cores in a CPU and in a GPU]
420 \label{ch8:fig:classification}
421 \end{figure}
422
423
424 \subsubsection*{GPU thread mapping for solution-level parallelism}
425 \index{GPU-based Metaheuristics!GPU-thread mapping}
426 Parallel models at solution level consists on parallelizing a time intensive atomic task of the algorithm. Generally, it consists on the fitness evaluation~\cite{kannan}. Nevertheless, crossover operators have also been parallelized by some authors~\cite{pinel2012JPDC}. This kind of models are not always possible as they are problem dependent. The GPU implementation of solution level models uses the per-block mapping: each solution is associated to a block of threads. A second level of parallelism is used inside each block to parallelize the fitness evaluation of a single solution. This kind of mapping allows the use of shared memory to store the data structures of the solution and do not require the use of very large neighborhoods or populations.\\ 
427 %data parallelism in SA-matrix to parallelize 
428 \subsubsection*{GPU thread mapping for iteration-level parallelism} 
429 \index{GPU-based Metaheuristics!GPU-thread mapping}
430 Iteration-level parallelism consists on parallelizing the tasks performed independently on different solutions. Different mapping strategies are adopted in the reviewed works to implement these models.
431
432 In Figure \ref{ch8:fig:classification}, the first example of iteration-level\index{Metaheuristics!iteration-level parallelism} parallelism is the parallel evaluation of neighborhoods in s-metaheuristics. In most of the reviewed works,  a per-thread mapping approach is used: each solution of the neighborhood is mapped to a unique thread in the GPU for evaluation~\cite{luong2010large, audreyANT}. The same mapping is used for master-slave parallel EAs to accelerate the evaluation of large populations. This kind of mappings is only efficient for very large neighborhoods and very large populations (to saturate the GPU). Many authors have pointed out that the use of such large populations (or neighborhoods) may lead to an overhead due to the communication costs between the CPU and the GPU (if the sequential part of the algorithm is placed on CPU). In order to circumvent this issue, many authors have implemented the entire algorithm on GPU~\cite{pospichal10}. On the other hand, as several solutions may be affected 
433 to the same thread block in the GPU, shared memory 
434 could not be used and all the data should be placed on global memory.
435 %pheromone update data parallelism matrices
436
437 \subsubsection*{GPU thread mapping  for algorithmic-level parallelism}
438 \index{GPU-based Metaheuristics!GPU-thread mapping}
439 Algorithmic-level parallelism consists on launching several self-contained algorithms in parallel. In the previously reviewed works two algorithmic-level\index{Metaheuristics!algorithmic-level parallelism} models have been used: the multi-start model and the island model (parallel EAs).\\
440
441 The implementation of the multi-start model is based on two different mapping strategies~\cite{luongMultiStart, audreyANT}: (1) each local search is associated to a unique thread, (2) each solution (from multiple neighborhoods) is associated to a unique thread. 
442 The first mapping strategy (one thread per LS) presents a big drawback: the number of LS to use should be very large to saturate the GPU and cover the memory access latency. On the other hand, the evaluation of the neighborhood of a single LS by one thread is time intensive. Furthermore, shared memory could not be used to store the huge data generated by the different neighborhoods. In the second mapping strategy, the LS algorithms are placed on CPU and the neighborhood evaluation of each LS is parallelized on GPU using per-thread mapping strategy (one thread per solution). This comes to a hierarchical parallel model combining algorithmic-level\index{Metaheuristics!algorithmic-level parallelism} parallelism (multi-start) with iteration-level\index{Metaheuristics!iteration-level parallelism} parallelism (master-worker).\\ 
443
444 In the island model, the same mapping is used in all the reviewed works~\cite{tsutsuiGAQAP, nowotniak, maitre2009}: each sub-population (island) is associated to one thread block in the GPU. A second level of parallelism is used inside the block to parallelize the evaluation step of the local population. Migrations are always performed through the global memory as inter-block communications  are impossible in CUDA. The first advantage of this hierarchical implementation is that it allows the occupation of a large number of threads even for medium population sizes. The second advantage consists on using shared memory to store sub-populations to benefit from the low latency of shared memory.\\
445
446 \section{Frameworks for metaheuristics on GPUs} 
447 \label{ch8:sec:frameworks}
448
449 After the first pioneering works of metaheuristics on graphics processing units, 
450 the next challenge is to provide easy to use frameworks and libraries for rapid development 
451 of metaheuristics on GPUs. Although the works on this subject are not yet mature 
452 and do not cover the main metaheuristic algorithms, we will present the only three 
453 works to our knowledge, which propose open source frameworks for developing 
454 metaheuristics on GPUs.\\
455
456 The three frameworks reviewed in this section are: 
457  PUGACE\index{GPU-based frameworks!PUGACE}~\cite{pugace}, ParadisEO-MO-GPU\index{GPU-based frameworks!ParadisEO-MO-GPU}~\cite{paradiseoGPU}, and libCudaOptimize\index{GPU-based frameworks!libCudaOptimize}~\cite{libcuda}. PUGACE\index{GPU-based frameworks!PUGACE} is a framework for implementing EAs on GPUs. Paradiseo-GPU is an extension of the framework ParadisEO~\cite{paradiseo} for implementing s-metaheuristics on GPU. Finally, libCudaOptimize\index{GPU-based frameworks!libCudaOptimize} 
458 is a  library intended for the implementation of p-metaheuristics on GPU. 
459 The three frameworks are presented in more details in the following. 
460
461 \subsection{PUGACE\index{GPU-based frameworks!PUGACE}: A framework for implementing evolutionary computation on GPUs}
462 PUGACE\index{GPU-based frameworks!PUGACE} is a generic  framework for easy implementation of cellular evolutionary 
463 algorithms on GPUs implemented using C and CUDA. It is based on the frameworks MALLBA 
464 and JCell (a framework for cellular algorithms). The authors justified the choose of 
465 cellular evolutionary algorithm\index{Metaheuristics!evolutionary~algorithm} by the good feedback found in the literature concerning 
466 its efficient implementation on GPUs compared to other parallel models for EAs (island, 
467 master-slave). The main standard evolutionary operators are already implemented in PUGACE\index{GPU-based frameworks!PUGACE}: 
468 different selection strategies, standard crossover and mutation operators (\emph{PMX, swap, 
469 2-exchange}, etc.). Different problem encoding are also supported. The framework is 
470 organized as a set of modules in which the different functionalities  are separated 
471 as much as possible in order to facilitate the extension of the framework. Despite, all 
472 the functions and procedures that execute on GPU are implemented in the same file kernel.cu. \\
473
474 The implementation strategy adopted on the GPU is as follows. Population initialization 
475 is done on the CPU side and the population is transferred to the GPU. On the GPU side, 
476 each individual is associated to a unique CUDA thread. The function evaluation and mutation 
477 are done on the GPU while selection and replacement are maintained on the CPU. In order 
478 to avoid thread divergence\index{GPU Challenges!thread~divergence} appearing in the same CUDA thread block at the crossover step 
479 (because of the probability of application which may give different results from one 
480 thread to the other), the decision of applying or not a crossover is taken at the block 
481 level and applied to all the individuals within the block. It is the decision on the choose 
482 of the cutting point for the crossover.\\
483
484 The framework is validated on standard benchmarks of the quadratic assignment problem (QAP). 
485 Speedups of $15.44 \times$  to $18.41 \times$ are achieved compared to a CPU implementation of a cEA using population sizes rising from 512 to 1024 and from 1024 to 2048.
486
487 % The authors noticed an 
488 % improvement on the speedup when the size of the population increases. This is best explained 
489 % by the linear increasing of execution time on CPU side while a sublinear increasing is 
490 % occuring on GPU side (due to a better exploitation of the GPU threads). Neverethless, 
491 % dispite the positive impact of large populations on th parallel efficieny of the implementation 
492 % on GPU, a study on the impact on the final solution quality when using such large populations 
493 % is to be done. Indeed, too large populations on EAs may lead to high diversification of the 
494 % search and poor intensification capabilities, which leads to poor results. 
495 % For the moment, plateforms whith more than one CPU and one GPU are not yet supported in PUGACE\index{GPU-based frameworks!PUGACE}. 
496 % No details on how to get PUGACE\index{GPU-based frameworks!PUGACE} code source are given in the paper. 
497
498 \subsection{Paradiseo-MO-GPU}
499
500 Melab \emph{et al.}~\cite{paradiseoGPU} developed a reusable framework ParadisEO-MO-GPU\index{GPU-based frameworks!ParadisEO-MO-GPU} for parallel local search metaheuristics (s-metaheuristics) on GPUs. It focuses on 
501 iteration-level\index{Metaheuristics!iteration-level parallelism} parallel model of S-Metaheuristics which consists in exploring 
502 in parallel the neighborhood of a problem solution on GPU. The framework, 
503 implemented using C++ and CUDA, is an extension of the ParadisEO~\cite{paradiseo} framework 
504 previously developed by the same team for parallel and distributed metaheuristics on both dedicated parallel hardware platforms and computational grids. The objective of this framework is to facilitate the development of GPU-based metaheuristics providing a transparent use of 
505 GPUs to users that are unfamiliar with advanced features of all parallelization 
506 techniques and deployment on GPUs. The framework allows one to efficiently manage 
507 the hierarchical organization of the memories (latencies and sizes) of the GPU 
508 and its communication with the CPU as well as the minimizing of the user 
509 involvement in its management.\\
510
511 \begin{figure}[h]
512 \centerline{\includegraphics[width=0.8\textwidth]{Chapters/chapter9/figures/paradiseoGPU.pdf}}
513 \caption{The squelton of the ParadisEO-MO-GPU\index{GPU-based frameworks!ParadisEO-MO-GPU}.}
514 %[Comparison of number of cores in a CPU and in a GPU]
515 \label{ch1:fig:paradiseoGPU}
516 \end{figure}
517
518 The framework is based on a master-worker model where the master is the CPU and the workers are threads executed by the processing cores of the GPU. The CPU executes the serial part of the metaheuristic and sends only the current solution to the GPU to minimize the transfer cost. The GPU, on its side, generates the neighboring of the received solution and evaluates them at each iteration. All the threads execute the same kernel and according to a static mapping table between the threads and the neighbors where each thread is associated with exactly one neighbor evaluation. After all the neighborhood is generated and evaluated, 
519 it is sent back to the CPU which selects the best solution.
520
521 \subsection{libCudaOptimize: an open source library of GPU-based metaheuristics}
522 \index{GPU-based frameworks!libCudaOptimize}
523 LibCudaOptimize~\cite{libcuda} is a C++/Cuda open source library for the design and implementation of metaheuristics on GPUs. Until now, the metaheuristics supported by LibCudaOptimize are: scatter search, differential evolution and particle swarm optimization\index{Metaheuristics!particle swarm optimization}. Nevertheless, the library is designed in such a way to allow further extensions for other metaheuristics and it is still on development phase by the authors. The parallelization strategy adopted on GPU is principally based on fitness evaluation. The sequential structure of the optimization algorithms are maintained on CPU. 
524
525 \section{Case study: Accelerating large neighborhood LS method on GPUs for solving the Q3AP}
526 \label{ch8:sec:case}
527
528 In this case study, a large neighborhood GPU-based local search\index{GPU-based Metaheuristics!GPU-based~local~search} method for solving the quadratic 3-dimensional assignment problem (Q3AP) will be presented. The local search method is an iterated local search\index{Metaheuristics!iterated local search} (ILS)~\cite{stutzle2006ILSforQAP} 
529 using an embedded tabu search\index{Metaheuristics!tabu~search} (TS) algorithm. The ILS principle consists in executing iteratively the embedded local search, 
530 each iteration of the local search process starting from a disrupted local optima reached by the previous local search process. 
531 The disruption heuristic is a performance parameter of an ILS algorithm and should be judiciously defined. A template of an 
532 ILS algorithm is given by the algorithm \ref{ch8:ils_algorithm_template}.\\
533
534 \begin{algorithm}[H]
535         \SetAlgoLined
536         %\KwData{this text}
537         %\KwResult{how to write algorithm with \LaTeX2e }
538    $s_{0}$=GenerateInitSol()\;
539    $s^*$=LocalSearch($s_0$)\;
540         \Repeat{a maximum number of iterations is reached}{
541      $s'$=Perturbate($s^*,history$)\;
542      $s^{*'}$=LocalSearch($s'$)\;
543      $s^*$=AcceptationCriteria($s^*,s^{*'},history$)\;
544
545         }
546 \caption{Iterated local search template}
547 \label{ch8:ils_algorithm_template}
548 \end{algorithm}
549
550 %  
551 %   \begin{algorithm}
552 %  % \label{ch8:ils_algorithm_template} 
553 %   \caption{iterated local search\index{Metaheuristics!iterated local search} template}
554 %   \begin{algorithmic}[1]
555 %   
556 %   \STATE $s_{0}$=\texttt{GenerateInitSol}();
557 %   
558 %   \STATE $s^*$=\texttt{LocalSearch}($s_0$);
559 %   
560 %   \REPEAT
561 %     \STATE $s'$=\texttt{Perturbate}($s^*,history$);
562 %     \STATE $s^{*'}$=\texttt{LocalSearch}($s'$);
563 %     \STATE $s^*$=\texttt{AcceptationCriteria}($s^*,s^{*'},history$);
564 %   
565 %   \UNTIL {a maximum number of iterations is reached}
566 %   
567 %   \end{algorithmic}
568 %   
569 %   \end{algorithm}
570
571 \subsection{The quadratic 3-dimensional assignment problem}
572
573 The quadratic 3-dimensional assignment problem (Q3AP) is an extension of the well-known NP-hard quadratic assignment 
574 problem (QAP). The latter is one of the most studied problem by the combinatorial optimization community due to its  
575 wide range of practical applications (site planning, schedule problem, computer-aided design, etc.) and to its 
576 computational challenges since it is considered as one of the most computationally difficult optimization problem.
577
578 The Q3AP was firstly introduced by William P. Pierskalla in 1967~\cite{Pierskalla1967Q3AP} and, unlike the QAP, 
579 the Q3AP is a more less studied problem. Indeed, the Q3AP was revisited only this last years and has recently 
580 been used to model some advanced assignment problems such as the symbol-mapping problem encountered in wireless 
581 communication systems and described in~\cite{Hahn2008q3ap}. The Q3AP optimization problem can be mathematically 
582 expressed as follows:
583
584 % debut -----------------------------------------------------------------------------
585 \begin{equation*} min \left \{
586 \sum_{i=0}^{n-1}\sum_{j=0}^{n-1}\sum_{l=0}^{n-1}\sum_{k=0}^{n-1}\sum_{s=0}^{n-1}\sum_{r=0}^{n-1}c_{ijlksr}x_{ijl}x_{ksr}
587 \quad+ \right . \end{equation*}
588
589 \begin{equation} \label{Q3APFormulation} \left .
590 \sum_{i=0}^{n-1}\sum_{j=0}^{n-1}\sum_{l=0}^{n-1}b_{ijl}x_{ijl}
591 \right \} \end{equation}
592
593 where:
594
595 \begin{eqnarray}
596   X=(x_{ijl})\in I \cap J \cap L, \label{Q3APConstraints1}\\
597   x_{ijl}\in \{0,1\}, \quad i,j,l=0,1,...,n-1. \label{Q3APConstraints2}
598 \end{eqnarray} $I$, $J$ and $L$ sets are defined as follows:
599 \begin{displaymath} I=\lbrace X=(x_{ijl}):
600 \sum_{j=0}^{n-1}\sum_{l=0}^{n-1}x_{ijl}=1, \quad
601 i=0,1,...,n-1\rbrace \mathrm{;} \end{displaymath}
602 \begin{displaymath} J=\lbrace X=(x_{ijl}):
603 \sum_{i=0}^{n-1}\sum_{l=0}^{n-1}x_{ijl}=1, \quad
604 j=0,1,...,n-1\rbrace \mathrm{;} \end{displaymath}
605 \begin{displaymath} L=\lbrace X=(x_{ijl}):
606 \sum_{i=0}^{n-1}\sum_{j=0}^{n-1}x_{ijl}=1, \quad
607 l=0,1,...,n-1\rbrace \mathrm{.} \end{displaymath}
608 % fin------------------------------------------------------------------------------
609
610
611 Other equivalent formulations of the Q3AP can be found in the literature. A particularly useful one is the 
612 \textit{permutation-based formulation} wherein the Q3AP can be expressed as follows:
613
614  \begin{equation*}
615  min\left\{ f(\pi_1,\pi_2) =
616  \sum_{i=0}^{n-1}\sum_{j=0}^{n-1}c_{i\pi_{1(i)}\pi_{2(i)}j\pi_{1(j)}\pi_{2(j)}} \quad
617  + \right.
618 \end{equation*}
619
620 \begin{equation}
621  \left. \sum_{i=0}^{n-1}b_{i\pi_{1(i)}\pi_{2(i)}}\right
622  \} \label{Q3APPermutationBasedFormulation}
623 \end{equation}
624
625 where $\pi_1$ and $\pi_2$ are permutations over the set $\left\lbrace 0,1,\ldots,n-1\right\rbrace$. According to this 
626 formulation, minimizing the Q3AP consists in finding a double permutation $(\pi_1,\pi_2)$ which minimizes the objective 
627 function (\ref{Q3APPermutationBasedFormulation}).
628
629 The Q3AP is proven to be a NP-hard problem since it is an extension of the quadratic assignment problem and of the axial
630  3-dimensional assignment problem which are both NP-hard problems. It is particularly computationally difficult since the 
631 number of feasible solutions of an instance of size $n$ is $n! \times n!$.
632
633 \subsection{Iterated tabu search algorithm for the Q3AP}
634
635 To tackle large size instances of the Q3AP and speed up the search process, a parallel iterated local search\index{Metaheuristics!iterated local search} (ILS) 
636 algorithm has been designed. The local search embedded in the ILS is a tabu search\index{Metaheuristics!tabu~search} (TS). A TS procedure~\cite{Glover1989TS} 
637 starts from an initial feasible solution and tries, at each step, to move to a neighboring solution that minimizes the 
638 fitness (for a minimization case). If no such move exists, the neighbor solution that less degrade the fitness is chosen 
639 as a next move. This enables TS process to escape local optima. However, this strategy may generate cycles, i. e. previous 
640 moves can be selected again. To avoid cycles, the TS manages a short-term memory that contains the moves that have been 
641 recently performed. A tabu search\index{Metaheuristics!tabu~search} template is given by the algorithm \ref{TS_pseudo_code}.\\
642 %  
643 %  \begin{algorithm}
644 %  \label{TS_pseudo_code}
645 %  \caption{Tabu search template}
646 %  \begin{algorithmic}[1]
647 %  \STATE GenerateInitSol($s_0$);
648 %  \STATE TabuList=$\phi$;
649 %  \STATE $t=0$;
650 %  \REPEAT
651 %          \STATE $m(t)$ = SelectBestMove($s(t)$);
652 %          \STATE $s(t+1)$ = ApplyMove($m(t),s(t)$);
653 %          \STATE TabuList = TabuList $\bigcup \{m(t)\}$;
654 %          \STATE $t = t + 1$;
655 %  \UNTIL{a maximum number of iterations is reached}
656 %  
657 %  \end{algorithmic}
658 %  \end{algorithm}
659
660 \begin{algorithm}[H]
661         \SetAlgoLined
662         %\KwData{this text}
663         %\KwResult{how to write algorithm with \LaTeX2e }
664         GenerateInitSol($s_0$)\;
665         TabuList=$\phi$\;
666         $t=0$\;
667         \Repeat{a maximum number of iterations is reached}{
668           $m(t)$ = SelectBestMove($s(t)$)\;
669           $s(t+1)$ = ApplyMove($m(t),s(t)$)\;
670           TabuList = TabuList $\bigcup \{m(t)\}$\;
671           $t = t + 1$\;
672
673         }
674 \caption{Tabu search template}
675 \label{TS_pseudo_code}
676 \end{algorithm}
677
678
679 \subsection{Neighborhood functions for the Q3AP}
680
681 The neighborhood function is a crucial parameter in any local search algorithm. Indeed, if the neighborhood function is 
682 not adequate to the problem and/or does not consider the targeted computing framework, any local search algorithm will 
683 fail to reach good quality solutions of the search space.
684
685 Regarding the Q3AP, many neighborhood structures can be considered. A basic neighborhood was proposed and was investigated 
686 in different works of the literature~\cite{Hahn2008q3ap,DBLP:journals/ijfcs/LoukilMMTB12} and consists in the set of all 
687 solutions (double-permutations) generated from the current one by an exchange of two positions in either the first ($\pi_1$) 
688 or the second ($\pi_2$) permutation. This neighborhood that we denote by $N_b$ can be formalized as follows:
689
690 \begin{equation}
691 \begin{array}{rl}
692 N_b(\pi_1,\pi_2)=\{&(\pi_1^{'},\pi_2^{'}): \pi_1^{'}[k]=\pi_1[l], \pi_1^{'}[l]=\pi_1[k]\\
693                        & 0\leq k \neq l < n;\\
694                 & \pi_1^{'}[i]=\pi_1[i], \quad 0\leq i\neq k,l < n;\\
695                 & \pi_2^{'}[j]=\pi_2[j], \quad 0\leq j<n\\ \} \\
696 \bigcup \\
697 \{& (\pi_1^{'},\pi_2^{'}): \pi_2^{'}[k]=\pi_2[l], \pi_2^{'}[l]=\pi_2[k]\\
698                 & 0\leq k \neq l < n;\\
699                 & \pi_2^{'}[i]=\pi_2[i], \quad 0\leq i < n;\\
700                 & \pi_1^{'}[j]=\pi_1[j], \quad 0\leq j\neq k,l < n\\
701 \}& \end{array}
702 \end{equation}
703
704
705 where $(\pi_1,\pi_2)$ is the current solution and $n$ is the size of the Q3AP instance. The size $|N_b|$ of such neighborhood is equal to:
706
707 \begin{equation}
708  |N_b| = n \times (n-1).
709 \end{equation}
710
711
712 In our GPU-based implementations, a large-size neighborhood structure has been experimented. In fact, theoretical 
713 and experimental studies have shown that the use of large neighborhood structures may improve the effectiveness of 
714 LS algorithms~\cite{Ahuja:2007:VLN:1528422.1528438}. However, for such neighborhood, the generation/evaluation step 
715 of an LS becomes a time-consuming task and may dramatically increase the computational time of the LS process. This 
716 justifies the use of intensive data-parallelism provided by GPUs where all neighboring solutions may be concurrently evaluated. \\
717
718 The considered large-size neighborhood consists in swapping two positions in both permutations $\pi_1$ and $\pi_2$. 
719 This neighborhood structure, $N(\pi_1,\pi_2)$, can be formalized as follows:
720
721 \begin{equation} \begin{array}{rl}
722 N(\pi_1,\pi_2)=\{&(\pi_1^{'},\pi_2^{'}): \pi_1^{'}[k]=\pi_1[l], \pi_1^{'}[l]=\pi_1[k],\\
723                 & \pi_2^{'}[r]=\pi_2[s], \pi_2^{'}[s]=\pi_2[r]\\
724                 & 0\leq k \neq l < n,0\leq r \neq s < n;\\
725                 & \pi_1^{'}[i]=\pi_1[i], \quad 0\leq i\neq k,l < n;\\
726                 & \pi_2^{'}[j]=\pi_2^{'}[j], \quad 0\leq j\neq r,s < n\\
727
728 \}& \end{array}
729 \end{equation}
730
731 So, for a given Q3AP instance of size $n$, the size $|N|$ of the advanced neighborhood set can be expressed by the following formula:
732
733 \begin{equation}
734   |N|=\left(\frac{n \times (n-1)}{2}\right )^2
735 \end{equation}
736
737 \subsection{Design and implementation of a GPU-based iterated tabu search algorithm for the Q3AP} \label{ch8:ITS-Q3APSection}
738
739 The use of GPU devices to speed up the search process of local search methods is not a straightforward task. 
740 This requires to consider, at the same time, the characteristics and underlined issues of the GPU architecture 
741 and the parallel models of LS methods. The main challenges that must be faced when designing a local search 
742 algorithm are the efficient distribution of the search process among the CPU and the GPU minimizing the data 
743 transfer between them, the hierarchical memory management\index{GPU Challenges!memory~management} and the capacity constraints of GPU memories, the 
744 thread synchronization, etc. All these issues must be regarded when designing parallel LS models to allow 
745 solving of large scale optimization problems on GPU architectures.\\
746
747 To go back to our problem (i. e. Q3AP), we propose in algorithm  \ref{ch8:algoITS} an iterated tabu search\index{Metaheuristics!tabu~search} on GPU 
748 (GPU-ITS). The parallel model is in agreement with the iteration-level\index{Metaheuristics!iteration-level parallelism} parallel model of LS methods presented 
749 in Section \ref{ch8:sec:paraMeta} (Fig. \ref{ch8:fig:paraMeta}). This algorithm can be seen as a cooperative 
750 model between the CPU and the GPU. Indeed, the GPU is used as a coprocessor in a synchronous manner. The 
751 resource-consuming part i.e. the generation and evaluation kernel is calculated by the GPU and the rest of 
752 the LS process is handled by the CPU. First of all, at initialization stage, memory allocations on GPU are 
753 made: the input matrices (distance and flow matrices) and the initial candidate solution of the Q3AP must 
754 be allocated (lines 4 and 5). Since GPUs require massive computations with predictable memory accesses, a 
755 structure has to be allocated for storing all the neighborhood fitnesses at different addresses (line 6). 
756 Second, the matrices and the initial candidate solution have to be copied on the GPU (lines 7 and 8). We 
757 notice that the input matrices are read-only structures and do not change during all the execution of the 
758 LS algorithm. Therefore, their associated memory is copied only once during all the execution. Third, comes 
759 the parallel iteration-level\index{Metaheuristics!iteration-level parallelism}, in which each neighboring solution is generated, evaluated and copied into the 
760 neighborhood fitnesses structure (from lines 10 to 13). Fourth, since the order in which candidate neighbors 
761 are evaluated is undefined, the neighborhood fitnesses structure has to be copied to the host CPU (line 14). 
762 Then the selection strategy is applied to this structure (line 15): the exploration of the neighborhood 
763 fitnesses structure is done by the CPU. Finally, after a new candidate has been selected, this latter is 
764 copied to the GPU (line 17). The process is repeated until a given number of iterations has been reached.
765  
766 % \begin{algorithm}
767 % \caption{Template of an iterated tabu search\index{Metaheuristics!tabu~search} on GPU for solving the Q3AP} \label{LSGPU}
768 %  \begin{algorithmic}[1]
769 %  \STATE Choose an initial solution
770 %  \STATE Evaluate the solution
771 %  \STATE Initialize the tabu list
772 %  \STATE Allocate the Q3AP input data on GPU device memory
773 %  \STATE Allocate a solution on GPU device memory
774 %  \STATE Allocate a neighborhood fitnesses structure on GPU device memory
775 %  \STATE Copy the Q3AP input data on GPU device memory
776 %  \STATE Copy the solution on GPU device memory
777 %  \REPEAT
778 %      \FOR{each generated neighbor on GPU}
779 %          \STATE Incremental evaluation of the candidate solution
780 %          \STATE Insert the resulting fitness into the neighborhood fitnesses structure
781 %      \ENDFOR
782 %      \STATE Copy the neighborhood fitnesses structure on CPU host memory
783 %      \STATE Select the best admissible neighboring solution
784 %      \STATE Update the tabu list
785 %      \STATE Copy the chosen solution on GPU device memory
786 %  \UNTIL{a maximum number of iterations reached}
787 %  \end{algorithmic}
788 %  \end{algorithm}
789
790 \begin{algorithm}[H]
791         \SetAlgoLined
792         %\KwData{this text}
793         %\KwResult{how to write algorithm with \LaTeX2e }
794         Choose an initial solution\;
795         Evaluate the solution\;
796         Initialize the tabu list\;
797         Allocate the Q3AP input data on GPU device memory\;
798         Allocate a solution on GPU device memory\;
799         Allocate a neighborhood fitnesses structure on GPU device memory\;
800         Copy the Q3AP input data on GPU device memory\;
801         Copy the solution on GPU device memory\;
802         $t=0$\;
803         \Repeat{a maximum number of iterations is reached}{
804                 \For{each generated neighbor on GPU}{
805           Incremental evaluation of the candidate solution\;
806           Insert the resulting fitness into the neighborhood fitnesses structure\;
807                 }
808                 Copy the neighborhood fitnesses structure on CPU host memory\;
809         Select the best admissible neighboring solution\;
810         Update the tabu list\;
811         Copy the chosen solution on GPU device memory\;
812         }
813 \caption{Template of an iterated tabu search on GPU for solving the Q3AP}
814 \label{ch8:algoITS}
815 \end{algorithm}
816
817
818 \subsection {Experimental results}
819
820 In this section, some experimental results related to the approach presented in Section \ref{ch8:ITS-Q3APSection} are 
821 reported. We recall that the approach is a GPU-based iterated tabu search\index{Metaheuristics!tabu~search} (GPU-ITS) method consisting in an iterated 
822 local search (ILS) embedding a tabu search\index{Metaheuristics!tabu~search} (TS) and where the generation/evaluation step of the TS process is executed 
823 on GPU. The ILS is used to improve the quality of successive local optima provided by TS methods. This is achieved by 
824 perturbing the local optima reached by the current TS process and reconsidering it as initial solution of the following 
825 TS process. Regarding our algorithm, the applied perturbation is a random number $\mu $ of swaps in either the first or 
826 the second permutation where $\mu \in [2:n]$ ($n$ is the instance size). 
827
828
829 Experiments have been carried out on a node of the Chirloute cluster of Lille site. 
830 The latter is one of the 10 sites that currently make up Grid5000~\cite{grid5000}, 
831 the French experimental computational grid. A Chirloute cluster node consists of an Intel Xeon E5620 
832 CPU and a NVIDIA Tesla Fermi M2050 (448 cores) GPU type. The number of ILS iterations and the number 
833 of TS iterations were set respectively to 20 and 500. The tabu list 
834 size has been initalized to $\frac{m}{4}$, $m$ being the size of the neighborhood set. 
835
836 Table \ref{ch8:ITSQ3APResults} reports the obtained results for the GPU-ITS using our large-size neighborhood structure.
837  The method have been tested on 5 Q3AP instances derived from the QAP Nugent instances in QAPLIB~\cite{burkard1991qaplib}. The average time 
838 measurement for 20 executions is reported in seconds and acceleration factors compared to a standalone CPU are 
839 also considered. The algorithm is stopped when a maximum number of iterations has been reached or when the 
840 optimal (or best known) value has been discovered. Average and max values of the evaluation function of the parallel GPU version have been measured. 
841 The number of successful tries (hits) and the average number of ILS iterations to converge to the optimal/best 
842 known value are also represented. The associated standard deviation for each average measurement are shown in small size characters.
843
844 \begin{table}
845 %\tiny
846 %\footnotesize
847 \small
848 \caption{Results of the GPU-based iterated tabu search for different Q3AP instances}
849 \label{ch8:ITSQ3APResults} \center
850 \begin{tabular}{|l|r|r|r|r|r|r|r|r|} \hline 
851 \multicolumn{1}{|c|}{Instance }& \multicolumn{1}{|c|}{Optimal}& \multicolumn{1}{|c|}{Average}  & \multicolumn{1}{|c|}{Maximal}  & \multicolumn{1}{|c|}{Hits} & \multicolumn{1}{|c|}{CPU} & \multicolumn{1}{|c|}{GPU} & \multicolumn{1}{|c|}{Speed-} & \multicolumn{1}{|c|}{ITS} \\ 
852 & \multicolumn{1}{|c|}{/BKV\footnotemark }& \multicolumn{1}{|c|}{value }& \multicolumn{1}{|c|}{value }& & \multicolumn{1}{|c|}{time }& \multicolumn{1}{|c|}{time }&  \multicolumn{1}{|c|}{up}& \multicolumn{1}{|c|}{iteration}\\ \hline
853 Nug12-d & $580$   & $615.4$    & $744$   & $35$\% & $87.7$ & $2.5$ & $34.7 \times$& $16$ \\ 
854         &   & \tiny{$41.7$}    & && \tiny{$40.9$} & \tiny{$0.9$} & & \tiny{$6.3$} \\ \hline 
855 Nug13-d & $1912$  & $1985.4$   & $2100$  & $20$\% & $209.2$ & $3.3$ & $63.5 \times$ & $17$ \\ 
856 &  & \tiny{$51.0$}   &  & & \tiny{$1.3$} & \tiny{$1.0$} &  & \tiny{$5.6$} \\ \hline 
857 Nug15-d & $2230$  & $2418.1$  & $2580$  & $30$\% & $305.5$ & $5.2$ & $58.8 \times$ & $17$ \\ 
858  &  & \tiny{$135.3$}  & & & \tiny{$164.5$} & \tiny{$1.3$} & & \tiny{$5.0$} \\ \hline 
859 Nug18-d & $17836$ & $18110.2$ & $18506$ & $10$\% & $1375.9$ & $12.8$ & $107.4 \times$ & $19$ \\ 
860 & & \tiny{$157.8$} & & & \tiny{$123.5$} & \tiny{$2.6$} & & \tiny{$4.2$} \\ \hline 
861 Nug22-d & $42476$ & $43282.1$ & $44140$ & $25$\% & $4506.5$ & $32.7$ & $137.8 \times$ & $18$ \\
862 & & \tiny{$529.6$} & & & \tiny{$341.1$} & \tiny{$6.6$} & & \tiny{$4.0$} \\ \hline
863 \end{tabular}
864 \end{table}
865
866 %\begin{table}
867 %\tiny
868 %%\footnotesize
869 %\caption{Results of the GPU-based iterated tabu search for different Q3AP instances}
870 %\label{ch8:ITSQ3APResults} \center
871 %\begin{tabular}{|c|c|c|c|c|c|c|c|c|} \hline 
872 %Instance & Opt./BKV\footnotemark & Average val. & Max val. & Hits & CPU time & GPU time & Accel. & ITS iter.\\ \hline
873 %Nug12-d & $580$   & $615.4_{41.7}$    & $744$   & $35$\% & $87.7_{40.9}$ & $2.5_{0.9}$ & $\times 34.7 $& $16_{6.3}$ \\ \hline 
874 %Nug13-d & $1912$  & $1985.4_{51.0}$   & $2100$  & $20$\% & $209.2_{1.3}$ & $3.3_{1.0}$ & $\times 63.5$ & $17_{5.6}$ \\ \hline 
875 %Nug15-d & $2230$  & $2418.1_{135.3}$  & $2580$  & $30$\% & $305.5_{164.5}$ & $5.2_{1.3}$ & $\times 58.8 $ & $17_{5.0}$ \\ \hline 
876 %Nug18-d & $17836$ & $18110.2_{157.8}$ & $18506$ & $10$\% & $1375.9_{123.5}$ & $12.8_{2.6}$ & $\times 107.4$ & $19_{4.2}$ \\ \hline 
877 %Nug22-d & $42476$ & $43282.1_{529.6}$ & $44140$ & $25$\% & $4506.5_{341.1}$ & $32.7_{6.6}$ & $\times 137.8$ & $18_{4.0}$ \\ \hline
878 %\end{tabular}
879 %\end{table}
880
881 \footnotetext{Best known value.}
882
883
884 Regarding the execution time, the generation and evaluation of the neighborhood in parallel on GPU provides 
885 an efficient way to speedup the search process in comparison with a single CPU. In fact, for the smaller 
886 instance Nug12-d, the GPU version starts to be faster than the CPU one (acceleration factor of $34.7~\times$). 
887 As long as the problem size increases, the speedup grows significantly (up to $137.8 \times$ for the Nug22-d instance). 
888 This means that the use of GPU provides an efficient way to deal with large neighborhoods. Indeed, the 
889 proposed neighborhood were unpractical in terms of single CPU computational resources for large Q3AP 
890 instances such as Nug22-d (estimated to around $2$ hours per run). So, implementing this algorithm on 
891 GPU has allowed to exploit parallelism in such neighborhood and improve the robustness/quality of 
892 provided solutions.
893
894 \section{Conclusion}
895 \label{ch8:conclusion}
896
897 This chapter presents state-of-the-art GPU-based parallel metaheuristics\index{Metaheuristics!parallel~metaheuristics} and  a case study on implementing large neighborhood local search methods on GPUs for solving large benchmarks of the quadratic three dimensional  assignment problem (Q3AP). \\
898  
899 Implementing parallel metaheuristics\index{Metaheuristics!parallel~metaheuristics} on GPU architectures poses new issues and challenges such as memory management\index{GPU Challenges!memory~management},  finding efficient mapping strategies between tasks to parallelize and the GPU threads, thread divergence\index{GPU Challenges!thread~divergence} and synchronization. Actually, most of metaheuristics have been implemented on GPU using different implementation strategies. In this chapter, a two level classification of the reviewed works has been proposed: design level and implementation level. Design level regroups traditional parallel models used for metaheuristics while implementation level refers to the way those models are mapped to the GPU architecture. This classification  focuses mainly on  the mapping between the metaheuristic tasks to parallelize and the GPU threads. Indeed, the choice of a given mapping strategy influences strongly  the other challenges (memory usage, communication, thread divergence\
900 index{GPU Challenges!thread~divergence}).  
901
902 \putbib[Chapters/chapter9/biblio9]
903