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

Private GIT Repository
new ch5 reread
[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
13 metaheuristics\index{Metaheuristics!parallel~metaheuristics},
14 challenges, and issues related to the particularities of the GPU
15 architecture and a synthesis on the different implementation
16 strategies used in the literature. The implementation of parallel
17 metaheuristics\index{Metaheuristics!parallel~metaheuristics} on
18 GPUs is not straightforward. The traditional models used in CPUs
19 must be rethought to meet the new requirements of GPU
20 architectures. This chapter is organized as follows. Combinatorial
21 optimization\index{Combinatorial~optimization} and  resolution
22 methods are introduced in Section~\ref{ch8:sec:optim}. The main
23 traditional parallel models used for metaheuristics are recalled
24 in Section~\ref{ch8:sec:paraMeta}.
25 Section~\ref{ch8:sec:challenges} highlights the  main challenges
26 related to the GPU implementation of metaheuristics. A
27 state-of-the-art of GPU-based parallel
28 metaheuristics\index{Metaheuristics!parallel~metaheuristics} is
29 summarized in Section~\ref{ch8:sec:state}. In Section~\ref{ch8:sec:frameworks}, the main developed GPU-based
30 frameworks for metaheuristics are described. Finally, a case study
31 is presented in Section~\ref{ch8:sec:case} and some concluding
32 remarks are given in Section~\ref{ch8:conclusion}
33
34 \section{Combinatorial optimization}
35 \label{ch8:sec:optim}
36
37 Combinatorial optimization\index{Combinatorial~optimization} (CO) is a branch of applied and discrete mathematics.
38 It consists in finding optimal configuration(s) among a finite set of possible configurations
39 (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})
40
41
42 %\begin{minipage}{0.5\linewidth}
43 A combinatorial problem $P=(S,f)$ can be defined by
44 \begin{itemize}
45 \item a set of decision variables $X$,
46 \item an objective function $f$ to optimize (minimize or maximize) over the set $S$,
47 \item subject to constraints on the decision variables.\\
48 \end{itemize}
49 %\end{minipage}
50
51 COPs are generally formulated as mixed integer programming
52 problems (MIPS) and most of them are NP-hard~\cite{garey}.
53 According to the quality level of solutions and deadlines required
54 for solving an optimization problem, two classes of optimization
55 methods can be distinguished: \emph{exact methods} and
56 \emph{approximate methods}. Exact methods allow one to reach
57 optimal solution(s) of the handled optimization problem with a
58 proof of its or their optimality. The known methods of this
59 class are the \emph{branch and bound technique}, \emph{dynamic
60 programming}, \emph{constraint programming}, and \emph{A*
61 algorithm}. However, optimization problems, whether practical or
62 academic, are often complex and NP-hard. Moreover, a large number
63 of real-life optimization problems encountered in science,
64 engineering, economics, and business are usually large-sized
65 problems for which the size of the potential solution domain
66 increases dramatically with the size of the problem instance. Such
67 problems cannot be tackled using exact methods due to the
68 excessive computation time needed by these methods to find optimal
69 solution(s). In such a situation, approximate methods (or
70 \textit{metaheuristics}) offer an alternative approach to solve
71 these problems. Indeed, these methods allow one to reach good
72 quality solutions in reasonable computation time compared to exact
73 methods but with no guarantee to find optimal or even bounded
74 solutions. This is due to the nature of the search process adopted
75 by these approaches which consists of performing a
76 search in a subset of the whole search space.\\
77
78 Regarding the number of solutions considered at each iteration in
79 the search process, two classes of metaheuristics can be
80 distinguished~\cite{talbi2009mfdti}: \textit{solution-based} and
81 \textit{population-based} metaheuristics. In the rest of this
82 chapter, the term \emph{s-metaheuristic} refers to solution-based
83 metaheuristic and the term \emph{p-metaheuristic} refers to
84 population-based metaheuristic. In s-metaheuristics, the search
85 process starts with a single solution (generally set at random)
86 and iteratively improves it by exploring its neighborhood in the
87 search space. The most known methods in this class are local
88 search methods that include \emph{simulated
89 annealing}\index{Metaheuristics!simulated~annealing}~\cite{Kirkpatrick1983SA},
90 \emph{tabu search}~\cite{Glover1989TS}, \emph{iterated local
91 search\index{Metaheuristics!iterated local
92 search}}~\cite{stutzle2006ILSforQAP}, and \emph{variable
93 neighborhood search}~\cite{HansenMladenovic1997VNS}.\\
94
95 Unlike s-metaheuristics, p-metaheuristics start with a population
96 of solutions and implement an iterative process that evolves the
97 current population towards a new population of better quality
98 solutions. The process is repeated until a stopping criterion is
99 satisfied. \emph{Evolutionary algorithms}, \emph{swarm
100 optimization}, and \emph{ant colonies} fall into this class.
101
102
103 \section{Parallel models for metaheuristics}\label{ch8:sec:paraMeta}
104 Optimization problems, whether real-life or academic, are more
105 often NP-hard and CPU time and/or memory consuming. Metaheuristics
106 allow the significant reduction of the computational time of the search
107 process but remain time-consuming particularly when it comes
108 dealing with large-sized problems. \\
109
110 The use of parallelism in the design of metaheuristics is a relevant
111 approach that is widely adopted by the combinatorial optimization
112 community for various reasons:
113
114 \begin{itemize}
115   \item One of the main goals of parallelism is to reduce the search
116 time. This will allow the design of high performance optimization
117 methods and the solving of large-sized optimization problems.
118
119   \item Sequential processor architectures have reached their
120 physical limit which prevents creating faster processors. The
121 current trend of microprocessor manufacturers consists of placing
122 multicores on a single chip. Nowadays, laptops and
123 workstations are multicore processors. In addition, the evolution
124 of network technologies and the proliferation of broadband
125 networks have made possible the emergence of clusters of
126 workstations (COWs), networks of workstations (NOWS), and
127 large-scale networks of machines (grids) as platforms for
128 high-performance computing.
129 \end{itemize}
130
131 From the granularity of parallelism point of view, three major parallel
132 models for metaheuristics can be distinguished~\cite{talbi2009mfdti}: \emph{algorithmic-level}\index{Metaheuristics!algorithmic-level parallelism},
133 \emph{iteration-level}\index{Metaheuristics!iteration-level parallelism}, and \emph{solution-level} as illustrated in Figure~\ref{ch8:fig:paraMeta}. \\
134
135 \begin{figure}[h!]
136 \centerline{\includegraphics[width=0.6\textwidth]{Chapters/chapter9/figures/paraMeta.pdf}}
137 \caption{Parallel models for metaheuristics.}
138 \label{ch8:fig:paraMeta}
139 \end{figure}
140
141 \begin{itemize}
142
143 \item{In the
144 algorithmic-level\index{Metaheuristics!algorithmic-level
145 parallelism} parallel model, several self-contained metaheuristics
146 are launched in parallel. The parallel
147 metaheuristics\index{Metaheuristics!parallel~metaheuristics} may
148 start with identical or different solutions (s-metaheuristics
149 case) or populations (p-metaheuristics case). Their parameter
150 settings such as the size of tabu list for tabu
151 search\index{Metaheuristics!tabu~search}, transition probabilities
152 for ant colonies, mutation and crossover probabilities for
153 evolutionary
154 algorithm\index{Metaheuristics!evolutionary~algorithm}s may be the
155 same or different. The parallel processes may evolve independently
156 or in a cooperative manner. In cooperative parallel models, the
157 algorithms exchange information related to the search during
158 evolution in order to find better and more robust solutions.}
159
160 \item{In the iteration-level\index{Metaheuristics!iteration-level
161 parallelism} parallel model, the focus is on the parallelization
162 of each iteration of the metaheuristic. Indeed, metaheuristics are
163 generally iterative search processes. Moreover, the most
164 resource-consuming part of a metaheuristic is the evaluation of
165 the generated solutions at each iteration. For s-metaheuristics
166 (e.g., tabu search\index{Metaheuristics!tabu~search}, simulated
167 annealing, variable neighborhood search), the evaluation and
168 generation of the neighborhood is the most time-consuming step of
169 the algorithm particularly when it comes to dealing with large
170 neighborhood sets. In this parallel model, the neighborhood is
171 decomposed into partitions, and each partition is evaluated in a
172 parallel way. For p-metaheuristics (e.g., evolutionary
173 algorithm\index{Metaheuristics!evolutionary~algorithm}s, ant
174 colonies, swarm optimization), the
175 iteration-level\index{Metaheuristics!iteration-level parallelism}
176 parallel model arises naturally since these metaheuristics deal
177 with a population of independent solutions. In evolutionary
178 algorithm\index{Metaheuristics!evolutionary~algorithm}s, for
179 instance, the iteration-level\index{Metaheuristics!iteration-level
180 parallelism} model consists of decomposing the whole population
181 into several partitions where each partition is evaluated in
182 parallel.}
183
184 \item{In the
185 solution-level\index{Metaheuristics!solution-level~parallelism}
186 parallel model, the focus is on the parallelization of the
187 evaluation of a single solution. This model is useful when the
188 objective function and/or the constraints are time and/or memory
189 consuming. Unlike the two previous parallel models, the
190 solution-level\index{Metaheuristics!solution-level~parallelism}
191 parallel model is problem-dependent.}
192 \end{itemize}
193
194 \section{Challenges for the design of GPU-based metaheuristics}
195 \label{ch8:sec:challenges}
196
197 Developing GPU-based parallel
198 metaheuristics\index{Metaheuristics!parallel~metaheuristics} is
199 not straightforward. The parallel models have to be rethought to
200 meet the new requirements of the GPU architecture. Several major
201 issues have to be taken into account both at design and
202 implementation levels to develop efficient metaheuristics on GPU.
203 These issues are mainly related to the size and latency of the GPU
204 memories, thread synchronization and divergence, the distribution
205 of tasks, and data transfer between the CPU and
206 GPU~\cite{luongMultiStart}.
207
208 \subsection{Data placement on a hierarchical memory}
209 \index{GPU Challenges!data~placement} During the execution of
210 metaheuristics on GPU, the different threads may access multiple
211 data structures from multiple memory spaces. These memories have
212 different sizes and access latencies. Nevertheless, faster
213 memories (registers, shared and constant memories) are generally
214 very small in size, and the larger memories (global memory) are
215 relatively slower. However, p-metaheuristics require the
216 exploration of a large amount of individuals to diversify the
217 search. Moreover, an efficient execution of s-metaheuristics
218 requires exploring large neighborhoods. Thus, programmers have to
219 take into account this point to efficiently place the different
220 data structures of the metaheuristic on the different memories to
221 benefit from both the faster memories and the larger ones. A deep
222 study has to be performed on both the metaheuristic data
223 structures (size and access frequency) and the GPU memories (size
224 and access latency) to identify which data will be placed on which
225 memory. Generally, the most accessed ones should be put on faster
226 memories (registers, shared memory) and larger ones on the larger
227 memories (global memory). Also, an efficient mapping between
228 threads and the corresponding metaheuristic elements (one neighbor
229 per thread, one individual per thread, single population per
230 threads block, one ant per thread, etc.) must be defined to ensure
231 a maximum occupancy of the GPU and
232 to cover CPU/GPU communication\index{GPU Challenges!CPU/GPU~communication} and memory access times.\\
233
234 According to the used metaheuristic and to the handled problem, the data
235 values may have different types and different ranges of their values. The data
236 types should then be chosen carefully and the ranges of the data values should
237 be analyzed to minimize the amount of occupied memory space.\\
238
239 In addition to the size and latency of GPU memory issues, the
240 memory access pattern is another important issue to be dealt with
241 to speedup GPU-based metaheuristics. Indeed, the different
242 memories have been designed to achieve specific features that
243 programmers must take into account to optimize their codes and
244 then to benefit from these features. For instance, the global
245 memory is optimized for coalesced accesses. The texture and the
246 constant memory are read-only memories. The texture is optimized
247 for uncoalesced accesses and the constant memory is optimized for
248 simultaneously accesses of all threads to the same
249 location~\cite{luongMultiStart}. Therefore, to improve the
250 performance of the kernel execution, the programmers should put
251 coalesced data on global memory, uncoalesced read-only data (e.g.,
252 metaheuristic instance data) on the texture, concurrent read-only
253 data (e.g., data for fitness evaluation that all threads
254 concurrently access) on the constant memory, and the most accessed
255 data structures (e.g., population of individuals for a CUDA thread
256 block) on the shared memory.
257
258 \subsection{Threads synchronization}
259 \index{GPU Challenges!threads~synchronization} The thread
260 synchronization issue is caused by both the GPU architecture and
261 the synchronization requirements of the implemented method.
262 Indeed, GPUs are based on a multicore architecture organized into
263 several multi-processors (Streaming Multiprocessor SM) supporting
264 the SPMD model (Single Program Multiple Data). Each SM contains
265 several cores executing the same instruction of different threads
266 following the SIMD model (Single Instruction Multiple Data). These
267 threads belong to a warp (a group of 32 threads) and handle
268 different data elements. An efficient execution of applications on
269 GPU is achieved when launching a large amount of threads
270 (thousands of threads)~\cite{CUDA}. However, the execution order
271 of these thousands of threads is unknown by the programmer which
272 makes the prediction of their execution order a challenging issue.
273 Plus, the developer has to control explicitly the
274 threads through the insertion of barrier synchronizations in the
275 codes to avoid concurrent accesses to data structures and to meet
276 some requirements related to data-dependent synchronizations.
277
278 \subsection{Thread divergence}
279
280 Thread divergence\index{GPU Challenges!thread~divergence} is
281 another challenging issue in GPU-based
282 metaheuristics~\cite{cecilia, pugace, audreyANT}. Generally,
283 metaheuristics contain irregular loops and conditional
284 instructions when generating and evaluating the neighborhood
285 (s-metaheuristics), and the population (p-metaheuristics) in the
286 same block. In addition,  the decision to apply a crossover or a
287 mutation on an individual in a genetic
288 algorithm\index{Metaheuristics!genetic~algorithm} and the
289 exploration of different paths using an ant
290 colony\index{Metaheuristics!ant~colony~optimization} are random
291 operations. Threads of the same warp have to execute
292 instructions simultaneously  leading to different branches whereas
293 in an SIMD model the threads of a same warp execute the same
294 instruction. Consequently, the different branches of a conditional
295 instruction which is data-dependent lead to a serial execution of
296 the different threads degrading the performance of the application
297 in terms of execution time. The challenge here is then to revisit
298 the traditional irregular metaheuristic codes to eliminate these
299 divergences.
300
301 \subsection{Task distribution and CPU/GPU communication}
302
303 The performance of GPU-based metaheuristics in terms of execution
304 time could be improved by choosing the most appropriate parallel
305 model (algorithmic-level\index{Metaheuristics!algorithmic-level
306 parallelism}, instruction-level,
307 solution-level\index{Metaheuristics!solution-level~parallelism}).
308 Moreover, an efficient decomposition of the metaheuristic and an
309 efficient assignment of code portions between the CPU and GPU
310 should be adopted. The objective is to take benefit from the GPU
311 computing power without affecting the efficiency and the behavior
312 of the metaheuristic and without losing performance in CPU/GPU
313 communication\index{GPU Challenges!CPU/GPU~communication} and
314 memory accesses. In order to decide which part of the
315 metaheuristic will be executed on which component, one should
316 perform a careful analysis on the serial code of the
317 metaheuristic, identify the compute-intensive tasks (e.g.,
318 exploration of the neighborhood, evaluation of individuals), and
319 then offload them to the GPU, while the remaining
320 tasks still run on the CPU in a serial way. \\
321
322 The CPU/GPU communication\index{GPU
323 Challenges!CPU/GPU~communication} is done through the global
324 memory which is a slow memory making the memory transfer between
325 the CPU and GPU time-consuming which can significantly degrade the
326 performance of the application. Accesses to this memory should be
327 optimized by minimizing the amount of transferred data between the
328 two components in order to reduce the communication time and,
329 therefore, the whole execution time of the metaheuristic.
330
331 \section{State-of-the-art parallel metaheuristics on GPUs}
332 \label{ch8:sec:state}
333 After more than two decades of research by the combinatorial optimisation
334 community devoted to developing adequate parallel metaheuristics\index{Metaheuristics!parallel~metaheuristics} for different types of
335 parallel architectures (clusters, supercomputers and grids), the actual developement
336 of General Perpose GPU (GPGPU) brings new challenges for parallel metaheuristics\index{Metaheuristics!parallel~metaheuristics} on SIMD architectures.\\
337
338 The first works on metaheuristic algorithms implemented on GPUs
339 started on old graphics cards before the appearance of modern GPUs
340 equipped with high-level programming interfaces such as CUDA and
341 OpenCL. Among these pioneering works we cite the work of Wong et al.~\cite{wongOldGPU2006} dealing with the
342 implementation
343 of EAs on graphics processing cards and the work by Catala et al. in~\cite{catala2007} where the ACO\index{Metaheuristics!ant~colony~optimization} algorithm
344 is implemented on old GPU architectures. Yu et al.~\cite{yu2005} and
345 Li et al.~\cite{li2007} proposed a full parallelization of genetic
346 algorithm\index{Metaheuristics!genetic~algorithm}s  on old GPU architectures using
347 shader libraries based on Direct3D and OpenGL.\\
348
349 Such architectures are based on preconfigured pipelined stages
350 used to accelerate the transformation of 3D geometric primitives
351 into pixels. Implementing a general-purpose algorithm on such
352 preconfigured architectures is very hard and requires the
353 tailoring of the algorithm's data and instructions to fit the
354 pipelined stages of the GPU. Since then, GPU architectures have
355 evolved to become programmable using high-level programming
356 interfaces. In this section we will focus only on recent
357 state-of-the-art works dealing with metaheuristics implementation
358 on modern programmable GPUs. In this review two classes are
359 considered: (1) s-metaheuristics on GPUs and (2) p-metaheuristics
360 on GPUs. A comparative study is done of the main works and a
361 classification of the different existing strategies is proposed in
362 Section~\ref{ch8:sec:synthesis}.
363
364 \subsection{Implementing solution-based metaheuristics on GPUs}
365
366
367 A very basic local search algorithm starts with an initial
368 solution generated either at random or by the mean of a specific
369 heuristic and is based on two elementary components: the
370 generation of neighborhood structures using an elementary move
371 function and a selection function that determines which solution
372 in the current neighborhood will replace the actual search point.
373 The search continues as long as there is improvement and stops
374 when there is no better solution in the current neighborhood. The
375 exploration (or evaluation) of the different moves of a given
376 neighborhood is done independently for each move. Thus, the
377 easiest way to accelerate a local search algorithm is to
378 parallelize the evaluation of the neighborhood (instruction-level
379 parallelism). This is  by far the most used scheme in the
380 literature for parallelizing local search algorithms on GPUs.
381 Nevertheless, small neighborhoods may lead to  nonoptimal
382 occupation of the CUDA threads which may lead in turn to an
383 overhead due to the communication and memory latencies. Therefore,
384 large neighborhoods are necessary for efficient implementation of
385 local searches on GPUs.\\
386
387 Luong et al.~\cite{luong2010large} proposed efficient
388 mappings for large neighborhood structures on GPUs. In this work,
389 three different neighborhoods are studied and mapped to the
390 hierarchical GPU for binary problems. The three neighborhoods are
391 based on the Hamming distance. The move operators used in
392 the three neighborhoods consider Hamming distances of 1, 
393 2, and 3 (this consists on flipping the binary value of one, two,
394 or three positions at a time in the candidate binary vector).
395 In~\cite{luong2010large}, each thread is associated to a unique
396 solution in the neighborhood. The addressed issue is how to
397 efficiently map the different neighborhoods on the device memory,
398 more explicitly, how to calculate the memory index of each
399 solution associated to each CUDA thread's \textit{id}.
400 %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.
401 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.\\
402
403 In the same context, Deevacq et al.~\cite{audreyANT}
404 proposed two parallelization strategies inspired by the multi-walk
405 parallelization strategy, of a 3-opt iterated local
406 search\index{Metaheuristics!iterated local search} algorithm (ILS)
407 over a CPU/GPU architecture. In the first strategy, each Local
408 Search (LS) is associated to a unique CUDA thread and improves a
409 unique solution by generating its neighborhood. The second
410 strategy associates each solution to a CUDA block and the
411 neighborhood exploration is parallelized on the block threads. In
412 the first strategy, since several LS are executed on different
413 solutions on each Multi Processor (MP), the data structures should
414 be stored on the global memory, while the exploration of a single
415 solution at a time in the second strategy allows the use of the
416 shared memory to store the related data structures. The two
417 strategies have been experimented on standard benchmarks of
418 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 at the same time it decreases final solution quality. The greater speedup factor reached by the second strategy is $6 \times$.\\
419
420 The same strategy is used by Luong et al.
421 in~\cite{luongMultiStart} to implement multistart parallel local
422 search algorithms (a special case of the
423 algorithmic-level\index{Metaheuristics!algorithmic-level
424 parallelism} parallel model where several homogeneous LS
425 algorithms are used). The multistart model is combined with
426 iteration-level\index{Metaheuristics!iteration-level parallelism}
427 parallelism: several LS algorithms are managed by the CPU and the
428 neighborhood evaluation step of each algorithm is parallelized on
429 the GPU (each GPU thread is associated with one neighbor and
430 executes the same evaluation function kernel). The advantage of
431 such a model is that it allows a  high occupancy of the GPU
432 threads. Nevertheless, memory management\index{GPU
433 Challenges!memory~management} causes new issues due to the
434 quantity of data to store and to communicate between CPU     and
435 GPU. A second proposition for implementing the same model on GPU
436 consists of implementing the whole LS processes on GPU with each
437 GPU thread being associated to a unique LS algorithm. This solves
438 the communication issue encountered in the first model. In
439 addition, a memory management\index{GPU
440 Challenges!memory~management} strategy is proposed to improve the
441 efficiency of the
442 algorithmic-level\index{Metaheuristics!algorithmic-level
443 parallelism} model: texture memory is used to avoid memory latency
444 due to uncoalesced memory accesses. The proposed approaches are
445 implemented on the quadratic assignment problem (QAP) using CUDA.
446 The acceleration rates obtained for the
447 algorithmic-level\index{Metaheuristics!algorithmic-level
448 parallelism} with usage of texture memory rise from $7.8\times$ to
449 $12\times$ (for different
450 QAP benchmark sizes). \\
451
452 Janiak et al.~\cite{Janiak_et_al_2008} implemented two
453 algorithms for TSP and the flow-shop scheduling problem (FSP).
454 These algorithms are based on a multistart tabu
455 search\index{Metaheuristics!tabu~search} model. Both of the 
456 algorithms exploit multicore CPU and GPU. A full parallelization
457 on GPU is adopted using shader libraries where each thread is
458 mapped with one tabu search\index{Metaheuristics!tabu~search}.
459 However, even though their experiments report that the use of GPU
460 speedups the serial execution almost $16 \times$, the mapping of
461 one thread with one tabu search\index{Metaheuristics!tabu~search}
462 requires a large number of local search algorithms to
463 cover the memory access latency. The same mapping policy is adopted by Zhu 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.\\
464
465 Luong et al.~\cite{luong2012ppsn} proposed a GPU-based
466 implementation of hybrid metaheuristics on heterogeneous parallel
467 architectures (multicore CPU  coupled to one GPU).  The challenge
468 of using such a heterogeneous architecture is how to distribute
469 tasks between the CPU cores and the GPU in such a way to have
470 optimal performances. Among the three traditional parallel models
471 (solution-level\index{Metaheuristics!solution-level~parallelism},
472 iteration-level\index{Metaheuristics!iteration-level parallelism},
473 and algorithmic-level\index{Metaheuristics!algorithmic-level
474 parallelism}), the authors point out that the most convenient
475 model for the considered heterogeneous architecture is a hybrid
476 model combining
477 iteration-level\index{Metaheuristics!iteration-level parallelism}
478 and algorithmic-level\index{Metaheuristics!algorithmic-level
479 parallelism} models. Several CPU threads execute several instances
480 of the same S-metaheuristic in parallel while the GPU device is
481 associated to one CPU core and  used to accelerate the
482 neighborhood calculation of several S-metaheuristics at the same
483 time.
484  In order to efficiently exploit the remaining CPU cores, a load-balancing heuristic is also proposed in order to decide on the number of additional
485 S-metaheuristics to launch on the remaining CPU cores relative to the efficiency of the GPU calculations. The proposed approach is applied to the QAP using several instances of the Fast Ant Colony Algorithm (FANT)~\cite{taillardFant}. \\
486
487 All the previously noted works  exploit the same parallel models
488 used on CPUs based on the task parallelism. A different
489 implementation approach is proposed by Paul in~\cite{gerald2012}
490 to implement a simulated
491 annealing\index{Metaheuristics!simulated~annealing} (SA) algorithm
492 for the QAP on GPUs. Indeed, the author used a preinitialized
493 matrix \emph{delta} in which the incremental evaluation of simple
494 swap moves are calculated and stored relative to the initial
495 permutation $p$. For the GPU implementation, the authors used the
496 parallel implementation of neighborhood exploration. The
497 time-consuming tasks in the SA-matrix are identified by the
498 authors as updating the matrix and passing through it to select
499 the next accepted move. To initialize the delta matrix, several
500 threads from different blocks explore different segments of the
501 matrix (different moves) at the same time.  In order to select the
502 next accepted swap, several threads are also used. Starting from
503 the last move, a group of threads explores different subsets of
504 the delta matrix. The shared memory is used to preload all the
505 necessary elements for a given group of threads responsible for
506 the updating of the delta matrix. The main difference in this work
507 compared to the previous works resides in the introduction of a
508 data parallelism using the precalculated delta matrix. The use of
509 this matrix allows the increase in the number of threads
510 involved in the evaluation of a single move. Experimentations are
511 done on standard QAP instances from the
512 QAPLIB~\cite{burkard1991qaplib}. Speedups up to $10 \times$ are
513 achieved by the GPU implementation compared
514 to the same sequential implementation on CPU using SA-matrix.\\
515
516 \subsection{Implementing population-based metaheuristics on GPUs}
517
518 State-of-the-art works dealing with the implementation of
519 p-metaheuristics on GPUs generally rely on parallel models and
520 research efforts done for parallelizing different classes of
521 p-metaheuristics over different types of parallel architectures:
522 supercomputers, clusters, and computational grids. Three main
523 classes of p-metaheuristics are considered in this section:
524 evolutionary
525 algorithm\index{Metaheuristics!evolutionary~algorithm}s (EAs), ant
526 colony\index{Metaheuristics!ant~colony~optimization} optimization
527 (ACO\index{Metaheuristics!ant~colony~optimization}), and particle
528 swarm optimization\index{Metaheuristics!particle swarm
529 optimization} (PSO).
530
531 \subsubsection*{Evolutionary algorithms}
532
533 Traditional parallel models for EAs are classified in three main
534 classes: coarse-grain models using several subpopulations
535 (islands), master-slave models used for the parallelization of CPU
536 intensive steps (evaluation and transformation), and cellular
537 models based on the use of one population disposed (generally) on
538 a toroidal grid.
539
540 The three traditional models have been implemented on GPUs by several researchers for different
541 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.\\
542
543 In~\cite{kannan}, Kannan and Ganji present a CUDA implementation
544 of the drug discovery application Autodock (molecular docking
545 application). Autodock uses a genetic
546 algorithm\index{Metaheuristics!genetic~algorithm} to find optimal
547 docking positions of a ligand to a protein. The most
548 time-consuming task in Autodock is the fitness function
549 evaluation. The fitness function used for a docking problem
550 consists of calculating the energy  of the ligand-protein complex
551 (sum of intermolecular energies). The authors explore two
552 different approaches to evaluate the fitness function on GPU. In
553 the first approach, each GPU thread calculates the energy function
554 of a single individual. This approach requires the use of
555 large-sized populations to saturate the GPU (thousands of
556 individuals). In the second approach each individual is associated
557 with one thread block. The evaluation of the energy function is
558 performed by the threads of the same block. This allows the use of
559 medium population sizes (hundreds of individuals) and the
560 acceleration of a single fitness evaluation. Another great
561 advantage of the per block approach resides in the use of shared
562 memory instead of global memory to store all the information
563 related to each individual. The obtained speedups range from  $10
564 \times$ to $47 \times$ for population sizes
565 ranging from $50$ to $10000$. \\
566
567 Maitre et al.~\cite{maitre2009} also exploited the
568 master-slave parallelism of EAs on GPUs using EASEA. EASEA is a
569 C-like metalanguage for easy development of EAs. The user writes a
570 description  of the problem-specific components (fitness function,
571 problem representation, etc) in EASEA. The code  is then compiled
572 to obtain a ready-to-use evolutionary
573 algorithm\index{Metaheuristics!evolutionary~algorithm}. The EASEA
574 compiler  uses genetic
575 algorithm\index{Metaheuristics!genetic~algorithm} LIB and EO
576 Libraries to produce C++ or JAVA written EA codes.
577 In~\cite{maitre2009}, the authors  proposed an extension of EASEA
578 to produce CUDA code from the EASEA files. This extension has been
579 used  to generate a master-slave parallel EA in which the
580 sequential algorithm is maintained on CPU and the population is
581 sent to GPU for evaluation. Two problems have been considered
582 during the experiments: a benchmark mathematical function and a
583 real problem (molecular structure prediction). In order to
584 maximize the GPU occupation, very large populations are used (from
585 $2000$ to $20000$). Even though transferring such large
586 populations from the CPU to the GPU device memory at every generation is very costly, the authors report 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.\\
587
588 The master-slave  model is efficient when the fitness function is
589 highly time intensive. Nevertheless, it requires the use of
590 large-sized populations in order to saturate the GPU unless the
591 per-block is used (one individual perblock) when the acceleration
592 of the fitness function itself is possible. The use of many
593 subpopulations of medium sizes is another way to obtain a maximum
594 occupation of the GPU. This is coarse-grained parallelism (island
595 model).\\
596
597 The coarse-grained model is  used by Pospichal et al.
598 in~\cite{pospichal10} to implement a parallel genetic
599 algorithm\index{Metaheuristics!genetic~algorithm} on GPU. In this
600 work the entire genetic
601 algorithm\index{Metaheuristics!genetic~algorithm} is implemented
602 on GPU. This choice is motivated by the overhead engendered by the
603 CPU/GPU communication\index{GPU Challenges!CPU/GPU~communication}
604 when only population evaluation is performed on GPU. Each
605 population island is mapped with a CUDA thread block and each
606 thread is responsible for a unique individual. Subpopulations are
607 stored on shared memory of each block. Nevertheless, because
608 interblock communications are not possible on the CUDA
609 architecture, the islands evolve independently in each block, and
610 migrations are performed
611 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.\\
612
613 The same strategy is also adopted by Tsutsui and Fujimoto
614 in~\cite{tsutsuiGAQAP}  to implement a coarse-grained genetic
615 algorithm\index{Metaheuristics!genetic~algorithm} on GPU to solve
616 the QAP. Initially, several subpopulations are created on CPU and
617 transferred to the global memory. The subpopulations are organized
618 in the global memory into blocks of $8$ individuals in such a way
619 to allow coalesced memory access by the threads of the same thread
620 block. Each sub-population is allocated to a single thread block
621 in the GPU and transfered to the shared memory to start evolution.
622 Population evaluation and transformation are done in parallel by
623 the different threads of a given block. Migration is also done
624 through the global memory. Experiments are performed on standard
625 QAP benchmarks from the QAPLIB~\cite{burkard1991qaplib}. The GPU
626 implementation reached speedups of $2.9\times$ to $12.6 \times$
627 compared to a single core implementation of a coarse-grained
628 genetic algorithm\index{Metaheuristics!genetic~algorithm} on a
629 Intel i7 processor.\\
630
631 Nowotniak and Kucharski~\cite{nowotniak} proposed a GPU-based
632 implementation of a Quantum Inspired Genetic Algorithm\index{Metaheuristics!genetic~algorithm} (QIGA). The 
633 parallel model used is a hierarchical model based on two levels: each
634 thread in a block transforms a unique individual and a different
635 population is assigned to each block. The algorithm is run
636 entirely on GPU. A different instance of the QIGA is run on each
637 block and the computations have been shared between 8 GPUs. This
638 approach is very convenient to speed up the experimental process
639 on metaheuristics that require several independent runs of the
640 same algorithm in order to assess statistical efficiency. The
641 populations are stored in the shared memory, the data matrix used
642 for fitness evaluation is placed in read only constant memory, and
643 finally seeds for random numbers generated on the GPU are stored
644 in the global memory.\\
645
646 In coarse-grained parallelism, the use of the per-block approach
647 to implement the islands (one subpopulation per thread block) is
648 almost natural  and it allows the use of shared memory to store
649 the subpopulations. Fine-grained parallel models for EAs (cellular
650 EAs) have been used by many authors to implement parallel EAs on
651 GPUs. Indeed, the fine-grained parallelism of EAs fits perfectly
652 to the SIMD architecture of the GPU. \\
653
654 Pinel et al. in~\cite{pinel2012JPDC} developed a highly
655 parallel synchronous cellular genetic
656 algorithm\index{Metaheuristics!genetic~algorithm} (CGA), called
657 GraphCell, to solve the independent task scheduling problem on GPU
658 architectures. In CGAs, the population is arranged into a
659 two-dimensional toroidal grid where only neighboring solutions are
660 allowed to interact with each other  during the recombination
661 step. In GraphCell, two recombination operators for CGA are
662 especially designed to run efficiently on GPU. Indeed, instead of
663 assigning a single thread to each solution of the population to
664 perform the recombination, in GraphCell, a single thread is
665 assigned to each task  of each solution. Offsprings are created by
666 independently modifying the assignment of some tasks in the
667 current solution. Mainly, each thread chooses one neighboring
668 solution in the grid as second parent using different selection
669 strategies and assigns one  task of  the solution (first parent)
670 to the machine for which the same task is assigned in the second
671 parent.  This way, the number of threads used for the
672 recombination step is equal to population size $\times$  size of
673 the solution (number of tasks). This leads to a high number of
674 threads used to accelerate the recombination operators especially
675 when dealing with large instances of the problem. In addition to
676 the recombination operators, the rest of the CGA steps are  also
677 parallelized on GPU (fitness evaluation, mutation, and
678 replacement).\\
679
680 A similar work is proposed by Vidal and Alba  in~\cite{albaCGAGPU}
681 where a  CGA using a toroidal grid is completely implemented on
682 GPU. A direct mapping between the population and the GPU threads
683 is done. At each step, several threads execute the same operations
684 on each individual independently: initialization, computing the
685 neighborhood, selection, crossover, mutation, and evaluation.  A
686 synchronization is done for all threads to perform the replacement
687 stage and form the next generation. All the data of the algorithm
688 is placed on the global memory. Several experiments have been
689 performed on a set of standard benchmark functions with different
690 grid sizes ranging from $32^2$ to $512^2$. The speedups reached by
691 the GPU implementation against the CPU version range from
692 $5\times$ to $24\times$ and increase as the size of the population
693 increases. However, the CPU implementation runs faster than the GPU
694 version for all the tested  benchmarks when the size of the
695 population is set to $32^2$. When the size of the population is
696 too small, there are not enough computations to cover the overhead
697 created by the call of kernel functions, CPU/GPU
698 communication\index{GPU Challenges!CPU/GPU~communication}s,
699 synchronization, and access to global memory. Finally, an
700 interesting review on GPU parallel computation in bio-inspired
701 algorithms is proposed by Arenas et al.
702 in~\cite{arenas2011}. \\
703
704 \subsubsection*{Ant colony optimization}
705
706 Ant colony optimization
707 (ACO\index{Metaheuristics!ant~colony~optimization}) is another
708 p-metaheuristic subject to parallelization on GPUs.
709 State-of-the-art works on parallelizing
710 ACO\index{Metaheuristics!ant~colony~optimization} focus on
711 accelerating the tour construction step performed by each ant by
712 taking a task-based parallelism approach, with pheromone
713 deposition on the CPU.\\
714
715 In~\cite{cecilia}, Cecilia et al.  present a GPU-based
716 implementation of
717 ACO\index{Metaheuristics!ant~colony~optimization} for TSP where
718 the two steps (tour construction and pheromone update) are
719 parallelized on the GPU. A data parallelism approach is used to
720 enhance the performance of the tour  construction step. The
721 authors use two categories of artificial ants: queen ants
722 associated with CUDA thread-blocks and worker ants associated with
723 CUDA threads. A queen ant represents a simulated ant and worker
724 ants collaborate with the queen ant to accelerate the decision
725 about the  next city to visit. The tour construction step of each
726 queen ant is accelerated. Each worker ant  maintains a history of
727 the search in a tabu list containing a chronological ordering of
728 the already visited cities. This memory is used to determine the
729 feasible neighborhoods. After all queen ants have constructed
730 their tours, the pheromone trails are updated. For pheromone
731 update, several GPU techniques are also used to increase the data
732 bandwidth of the application mainly by the use of precalculated
733 matrices that are easily updated by several threads (one thread
734 per matrix entry). The achieved speedups are $21 \times$ for tour
735 construction and  $20 \times$ for pheromone updates.\\
736
737 In another work, Tsutsui and Fujimoto~\cite{tsutsui} propose  a
738 hybrid algorithm combining
739 ACO\index{Metaheuristics!ant~colony~optimization} metaheuristic
740 and Tabu Search (TS)\index{Metaheuristics!tabu~search} implemented
741 on GPU to solve the QAP. A solution of QAP is represented as a
742 permutation of ${1,2,..,n}$ with $n$ being the size of the
743 problem. The TS algorithm is based on the 2-opt neighborhood
744 (swapping of two elements $(i,j)$ in the permutation). The authors
745 point out that the move cost of each neighbor depends on the
746 couple $(i,j)$. Two groups of moves are formed according to the
747 move cost. In order to avoid thread divergence\index{GPU
748 Challenges!thread~divergence} within the same warp, the
749 neighborhood evaluation is parallelized in such a way to assign
750 only moves of the same cost to each thread warp. This strategy is
751 called MATA for Move-cost Adjusted Thread Assignment. Concerning
752 the memory management\index{GPU Challenges!memory~management}, all
753 the data of the ACO\index{Metaheuristics! ant~colony~optimization}
754 (population, pheromone matrix), QAP matrices, and tabu list are
755 placed on the global memory of the GPU. Shared memory is used only
756 for working data common to all threads in a given block.
757  All the
758 steps of the hybrid algorithm
759 ACO\index{Metaheuristics!ant~colony~optimization}-TS
760 (ACO\index{Metaheuristics!ant~colony~optimization} initialization,
761 pheromone update, construct solutions, applying TS) are
762 implemented as kernel functions on the GPU. The GPU/CPU
763 communications are only used to transfer the best-so-far solution
764 in order to verify termination conditions. The experiments
765 performed on standard QAP benchmarks showed that the GPU
766 implementation using MATA obtained a  speedup of $19 \times$
767 compared to the CPU implementation,  compared with a speedup of
768 only $5 \times$
769 when MATA is not used. \\
770
771 \subsubsection*{Particle swarm optimization}
772 In~\cite{zhou2009} Zhou and Tan propose a full GPU implementation
773 of a standard PSO algorithm. All the data is stored in global
774 memory (velocities, positions, swarm population, etc). Only
775 working data is copied to shared memory by each thread. The four
776 steps of the PSO have been parallelized on GPU: fitness evaluation
777 of the swarm, update of local best and global best  of each
778 particle, and update of velocity and position of each particle.
779 The same strategy is used to parallelize the first and last
780 steps: the evaluation of fitness functions is performed in
781 parallel for each dimension  by several threads. It is the case
782 for the update of position and velocities of each particle: one
783 dimension at a time is updated for the whole swarm by several
784 threads. Random numbers needed for  updating the velocities and
785 positions for the whole PSO processes are generated on CPU at the
786 starting of the algorithm and transferred to the GPU global
787 memory. For the steps 2 and 3 (update of local best and global
788 best of each particle), the GPU threads are mapped to the \emph{N}
789 particles of the swarm one to one. Experiments done on four
790 benchmark functions show speedups ranging from $3.7 \times$ to
791 $9.0 \times$ for swarm sizes
792 ranging from $400$ to $2800$.\\
793
794 \subsection{Synthesis of the implementation strategies}
795 \label{ch8:sec:synthesis} After reviewing some works dealing with
796 GPU-based implementation of metaheuristics, in this section we
797 will try to come up with a classification of the different
798 strategies used in the literature for the implementation of
799 metaheuristics on GPUs. One may distinguish between the parallel
800 models adopted in each metaheuristic (design level)  and the way
801 they are exploited on GPU architectures (implementation level).
802 Indeed, even though the parallelization models used in most works
803 for GPUs are derived from the traditional parallel models of each
804 metaheuristic (on CPU), their implementation could take a
805 different way and sometimes it may result in new parallel models
806 customized for GPUs.\\
807
808 Traditional parallel models for metaheuristics are based on an
809 intuitive task parallelism: the independent tasks of the
810 algorithms are simply parallelized. For example, in the case of
811 s-metaheuristics, the evaluation of large neighborhoods could be
812 done in parallel since there is no synchronization at this step of
813 the algorithm. That is the case of EAs  when it comes to applying
814 the evaluation step. Nevertheless, because of the particularity of
815 the GPU architecture, some authors have used new implementation
816 techniques to enhance the data parallelism in the sequential
817 algorithms in order to increase the data throughput of the
818 application.\\
819
820 From this observation we propose the following classification
821 based on 2 levels: design level and implementation level as
822 illustrated in Figure~\ref{ch8:fig:classification}. The design
823 level regroups the three classes of parallel models used in
824 metaheuristics
825 (solution-level\index{Metaheuristics!solution-level~parallelism},
826 iteration-level\index{Metaheuristics!iteration-level parallelism},
827 algorithmic-level\index{Metaheuristics!algorithmic-level
828 parallelism}) with examples for s-metaheuristics, EAs,
829 ACO\index{Metaheuristics!ant~colony~optimization} and PCO. This
830 classification  is principally built from the reviewed
831 state-of-the-art works  in the previous section. The
832 implementation level refers to the way these parallel design
833 models are implemented on GPU. This classification focuses only on
834 the mapping strategies between the GPU threads and the
835 parallelized tasks (neighborhood evaluation, solution
836 construction, and so on). The different implementation strategies
837 are explained in the following sections.\\
838
839 \begin{figure}[h]
840 \centerline{\includegraphics[width=1\textwidth]{Chapters/chapter9/figures/classification.pdf}}
841 \caption{A two level classification of state-of-the-art GPU-based parallel metaheuristics.}
842 %[Comparison of number of cores in a CPU and in a GPU]
843 \label{ch8:fig:classification}
844 \end{figure}
845
846
847 \subsubsection*{GPU thread mapping for solution-level parallelism}
848 \index{GPU-based Metaheuristics!GPU-thread mapping} Parallel
849 models at solution level consist of parallelizing a time intensive
850 atomic task of the algorithm. Generally, it consists of the
851 fitness evaluation~\cite{kannan}. Nevertheless, crossover
852 operators have also been parallelized by some
853 authors~\cite{pinel2012JPDC}. These kinds of models are not always
854 possible as they are problem-dependent. The GPU implementation of
855 solution-level models uses the perblock mapping: each solution is
856 associated to a block of threads. A second level of parallelism is
857 used inside each block to parallelize the fitness evaluation of a
858 single solution. This kind of mapping allows the use of shared
859 memory to store the data structures of the solution and does not
860 require the use of very large neighborhoods or populations.\\
861 %data parallelism in SA-matrix to parallelize
862
863 \subsubsection*{GPU thread mapping for iteration-level parallelism}
864 \index{GPU-based Metaheuristics!GPU-thread mapping}
865 Iteration-level parallelism consists of parallelizing the tasks
866 performed independently on different solutions. Different mapping
867 strategies are adopted in the reviewed works to implement these
868 models.\\
869
870 In Figure \ref{ch8:fig:classification}, the first example of
871 iteration-level\index{Metaheuristics!iteration-level parallelism}
872 parallelism is the parallel evaluation of neighborhoods in
873 s-metaheuristics. In most of the reviewed works,  a per-thread
874 mapping approach is used: each solution of the neighborhood is
875 mapped to a unique thread in the GPU for
876 evaluation~\cite{luong2010large, audreyANT}. The same mapping is
877 used for master-slave parallel EAs to accelerate the evaluation of
878 large populations. This kind of mapping is only efficient for very
879 large neighborhoods and very large populations (to saturate the
880 GPU). Many authors have pointed out that the use of such large
881 populations (or neighborhoods) may lead to an overhead due to the
882 communication costs between the CPU and the GPU (if the sequential
883 part of the algorithm is placed on CPU). In order to circumvent
884 this issue, many authors have implemented the entire algorithm on
885 GPU~\cite{pospichal10}. On the other hand, as several solutions
886 may be mapped with the same thread block in the GPU, shared memory
887 could not be used and all the data should be placed on global
888 memory.
889 %pheromone update data parallelism matrices
890
891 \subsubsection*{GPU thread mapping  for algorithmic-level parallelism}
892 \index{GPU-based Metaheuristics!GPU-thread mapping}
893 Algorithmic-level parallelism consists of 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 multistart model and the island model (parallel EAs).\\
894
895 The implementation of the multistart model is based on two
896 different mapping strategies~\cite{luongMultiStart, audreyANT}:
897 (1) each Local Search (LS) is associated to a unique thread and
898 (2) each solution (from multiple neighborhoods) is associated to a
899 unique thread. The first mapping strategy (one thread per LS)
900 presents a big drawback: the number of LS to use should be very
901 large to saturate the GPU and cover the memory access latency. On
902 the other hand, the evaluation of the neighborhood of a single LS
903 by one thread is time intensive. Furthermore, shared memory could
904 not be used to store the huge data generated by the different
905 neighborhoods. In the second mapping strategy, the LS algorithms
906 are placed on CPU and the neighborhood evaluation of each LS is
907 parallelized on GPU using per-thread mapping strategy (one thread
908 per solution). This consists of a hierarchical parallel model
909 combining algorithmic-level\index{Metaheuristics!algorithmic-level
910 parallelism} parallelism (multistart) with
911 iteration-level\index{Metaheuristics!iteration-level parallelism}
912 parallelism (master-worker).\\
913
914 In the island model, the same mapping is used in all the reviewed
915 works~\cite{tsutsuiGAQAP, nowotniak, maitre2009}: each
916 subpopulation (island) is associated to one thread block in the
917 GPU. A second level of parallelism is used inside the block to
918 parallelize the evaluation step of the local population.
919 Migrations are always performed through the global memory as
920 interblock communications  are impossible in CUDA. The first
921 advantage of this hierarchical implementation is that it allows
922 the occupation of a large number of threads even for medium
923 population sizes. The second advantage consists of using shared
924 memory to store subpopulations to benefit from the low latency of
925 shared memory.\\
926
927 \section{Frameworks for metaheuristics on GPUs}
928 \label{ch8:sec:frameworks}
929
930 After the first pioneering works of metaheuristics on graphics
931 processing units, the next challenge is to provide easy-to-use
932 frameworks and libraries for rapid development of metaheuristics
933 on GPUs. Although the works on this subject are not yet mature and
934 do not cover the main metaheuristic algorithms, we will present
935 the only three works to our knowledge, which propose open source
936 frameworks for developing
937 metaheuristics on GPUs.\\
938
939 The three frameworks reviewed in this section are
940 PUGACE\index{GPU-based frameworks!PUGACE}~\cite{pugace},
941 ParadisEO-MO-GPU\index{GPU-based
942 frameworks!ParadisEO-MO-GPU}~\cite{paradiseoGPU}, and
943 libCUDAOptimize\index{GPU-based
944 frameworks!libCUDAOptimize}~\cite{libcuda}. PUGACE\index{GPU-based
945 frameworks!PUGACE} is a framework for implementing EAs on GPUs.
946 ParadisEO-MO-GPU is an extension of the framework
947 ParadisEO~\cite{paradiseo} for implementing s-metaheuristics on
948 GPU. Finally, libCUDAOptimize\index{GPU-based
949 frameworks!libCUDAOptimize} is a  library intended for the
950 implementation of p-metaheuristics on GPU. The three frameworks
951 are presented in more detail in the following.
952
953 \subsection{PUGACE\index{GPU-based frameworks!PUGACE}: framework for implementing evolutionary computation on GPUs}
954 PUGACE\index{GPU-based frameworks!PUGACE} is a generic  framework
955 for easy implementation of cellular evolutionary algorithms on
956 GPUs implemented using C and CUDA. It is based on the frameworks
957 MALLBA and JCell (a framework for cellular algorithms). The
958 authors justified the choice of cellular evolutionary
959 algorithm\index{Metaheuristics!evolutionary~algorithm} by the good
960 feedback found in the literature concerning its efficient
961 implementation on GPUs compared to other parallel models for EAs
962 (island, master-slave). The main standard evolutionary operators
963 are already implemented in PUGACE\index{GPU-based
964 frameworks!PUGACE}: different selection strategies, standard
965 crossover, and mutation operators (PMX, swap, 2-exchange,
966 etc.). Different problem encoding is also supported. The framework
967 is organized as a set of modules in which the different
968 functionalities  are separated as much as possible in order to
969 facilitate the extension of the framework. All
970 the functions and procedures that execute on GPU are implemented in the same file kernel.cu. \\
971
972 The implementation strategy adopted on the GPU is as follows.
973 Population initialization is done on the CPU side and the
974 population is transferred to the GPU. On the GPU side, each
975 individual is associated to a unique CUDA thread. The function
976 evaluation and mutation are done on the GPU while selection and
977 replacement are maintained on the CPU. In order to avoid thread
978 divergence\index{GPU Challenges!thread~divergence} appearing in
979 the same CUDA thread block at the crossover step (because of the
980 probability of application which may give different results from
981 one thread to the other), the decision of whether to apply a
982 crossover is taken at the block level and applied to all the
983 individuals within the block. It is the decision on the choose
984 of the cutting point for the crossover.\\
985
986 The framework is validated on standard benchmarks of the QAP. Speedups of $15.44 \times$  to $18.41
987 \times$ are achieved compared to a CPU implementation of a cEA
988 using population sizes rising from 512 to 1024 and from 1024 to
989 2048.
990
991 % The authors noticed an
992 % improvement on the speedup when the size of the population increases. This is best explained
993 % by the linear increasing of execution time on CPU side while a sublinear increasing is
994 % occuring on GPU side (due to a better exploitation of the GPU threads). Neverethless,
995 % dispite the positive impact of large populations on th parallel efficieny of the implementation
996 % on GPU, a study on the impact on the final solution quality when using such large populations
997 % is to be done. Indeed, too large populations on EAs may lead to high diversification of the
998 % search and poor intensification capabilities, which leads to poor results.
999 % For the moment, plateforms whith more than one CPU and one GPU are not yet supported in PUGACE\index{GPU-based frameworks!PUGACE}.
1000 % No details on how to get PUGACE\index{GPU-based frameworks!PUGACE} code source are given in the paper.
1001
1002 \subsection{ParadisEO-MO-GPU}
1003
1004 Melab et al.~\cite{paradiseoGPU} developed a reusable
1005 framework ParadisEO-MO-GPU\index{GPU-based
1006 frameworks!ParadisEO-MO-GPU} for parallel local search
1007 metaheuristics (s-metaheuristics) on GPUs. It focuses on the
1008 iteration-level\index{Metaheuristics!iteration-level parallelism}
1009 parallel model of s-metaheuristics which consists of exploring in
1010 parallel the neighborhood of a problem solution on GPU. The
1011 framework, implemented using C++ and CUDA, is an extension of the
1012 ParadisEO~\cite{paradiseo} framework previously developed by the
1013 same team for parallel and distributed metaheuristics on both
1014 dedicated parallel hardware platforms and computational grids. The
1015 objective of this framework is to facilitate the development of
1016 GPU-based metaheuristics providing a transparent use of GPUs to
1017 users who are unfamiliar with advanced features of all
1018 parallelization techniques and deployment on GPUs. The framework
1019 allows one to efficiently manage the hierarchical organization of
1020 the memories (latencies and sizes) of the GPU and its
1021 communication with the CPU as well as the minimizing of the user
1022 involvement in its management.\\
1023
1024 \begin{figure}[h]
1025 \centerline{\includegraphics[width=0.8\textwidth]{Chapters/chapter9/figures/paradiseoGPU.pdf}}
1026 \caption{The skeleton of the ParadisEO-MO-GPU\index{GPU-based
1027 frameworks!ParadisEO-MO-GPU}.}
1028 %[Comparison of number of cores in a CPU and in a GPU]
1029 \label{ch1:fig:paradiseoGPU}
1030 \end{figure}
1031
1032 The framework is based on a master-worker model where the master
1033 is the CPU and the workers are threads executed by the processing
1034 cores of the GPU. The CPU executes the serial part of the
1035 metaheuristic and sends only the current solution to the GPU to
1036 minimize the transfer cost. The GPU, on its side, generates the
1037 neighboring of the received solution and evaluates them at each
1038 iteration. All the threads execute the same kernel and according
1039 to a static mapping table between the threads and the neighbors
1040 where each thread is associated with exactly one neighbor
1041 evaluation. After all the neighborhood is generated and evaluated,
1042 it is sent back to the CPU which selects the best solution (See
1043 Figure~\ref{ch1:fig:paradiseoGPU}).
1044
1045 \subsection{libCUDAOptimize: an open source library of GPU-based metaheuristics}
1046 \index{GPU-based frameworks!libCudaOptimize}
1047 LibCUDAOptimize~\cite{libcuda} is a C++/CUDA open source library
1048 for the design and implementation of metaheuristics on GPUs. Until
1049 now, the metaheuristics supported by LibCUDAOptimize are: scatter
1050 search, differential evolution, and particle swarm
1051 optimization\index{Metaheuristics!particle swarm optimization}.
1052 Nevertheless, the library is designed in such a way to allow
1053 further extensions for other metaheuristics and it is still in
1054 development phase by the authors. The parallelization strategy
1055 adopted on GPU is principally based on fitness evaluation. The
1056 sequential structure of the optimization algorithms is maintained
1057 on CPU.
1058
1059 \section{Case study: accelerating large neighborhood LS method on GPUs for solving the Q3AP}
1060 \label{ch8:sec:case}
1061
1062 In this case study, a large neighborhood GPU-based local
1063 search\index{GPU-based Metaheuristics!GPU-based~local~search}
1064 method for solving the Quadratic 3-dimensional Assignment Problem
1065 (Q3AP) will be presented. The local search method is an Iterated
1066 Local Search\index{Metaheuristics!iterated local search}
1067 (ILS)~\cite{stutzle2006ILSforQAP} using an embedded
1068 TS\index{Metaheuristics!tabu~search} algorithm. The ILS principle
1069 consists of executing iteratively the embedded local search, each
1070 iteration which starts from a disrupted local optima reached by
1071 the previous local search process. The disruption heuristic is a
1072 performance parameter of an ILS algorithm and should be
1073 judiciously defined. A template of an
1074 ILS algorithm is given by the Algorithm~\ref{ch8:ils_algorithm_template}.\\
1075
1076 \begin{algorithm}[H]
1077     \SetAlgoLined
1078     %\KwData{this text}
1079     %\KwResult{how to write algorithm with \LaTeX2e }
1080    $s_{0}$=GenerateInitSol()\;
1081    $s^*$=LocalSearch($s_0$)\;
1082     \Repeat{a maximum number of iterations is reached}{
1083      $s'$=Perturbate($s^*,history$)\;
1084      $s^{*'}$=LocalSearch($s'$)\;
1085      $s^*$=AcceptationCriteria($s^*,s^{*'},history$)\;
1086
1087     }
1088 \caption{iterated local search template}
1089 \label{ch8:ils_algorithm_template}
1090 \end{algorithm}
1091
1092 %
1093 %   \begin{algorithm}
1094 %  % \label{ch8:ils_algorithm_template}
1095 %   \caption{iterated local search\index{Metaheuristics!iterated local search} template}
1096 %   \begin{algorithmic}[1]
1097 %
1098 %   \STATE $s_{0}$=\texttt{GenerateInitSol}();
1099 %
1100 %   \STATE $s^*$=\texttt{LocalSearch}($s_0$);
1101 %
1102 %   \REPEAT
1103 %     \STATE $s'$=\texttt{Perturbate}($s^*,history$);
1104 %     \STATE $s^{*'}$=\texttt{LocalSearch}($s'$);
1105 %     \STATE $s^*$=\texttt{AcceptationCriteria}($s^*,s^{*'},history$);
1106 %
1107 %   \UNTIL {a maximum number of iterations is reached}
1108 %
1109 %   \end{algorithmic}
1110 %
1111 %   \end{algorithm}
1112
1113 \subsection{The quadratic 3-dimensional assignment problem}
1114
1115 The Q3AP is an extension of the well-known NP-hard QAP. The latter
1116 is one of the most studied problems by the combinatorial
1117 optimization community due to its wide range of practical
1118 applications (site planning, schedule problem, computer-aided
1119 design, etc.) and to its computational challenges since it is
1120 considered as one of the most computationally difficult
1121 optimization problems.\\
1122
1123 The Q3AP was first introduced by William P. Pierskalla in
1124 1967~\cite{Pierskalla1967Q3AP} and, unlike the QAP, the Q3AP is a
1125 less studied problem. Indeed, the Q3AP was revisited only this
1126 past year and has recently been used to model some advanced
1127 assignment problems such as the symbol-mapping problem encountered
1128 in wireless communication systems and described
1129 in~\cite{Hahn2008q3ap}. The Q3AP optimization problem can be
1130 mathematically expressed as follows:
1131
1132 % debut -----------------------------------------------------------------------------
1133 \begin{equation*} min \left \{
1134 \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}
1135 \quad+ \right . \end{equation*}
1136
1137 \begin{equation} \label{Q3APFormulation} \left .
1138 \sum_{i=0}^{n-1}\sum_{j=0}^{n-1}\sum_{l=0}^{n-1}b_{ijl}x_{ijl}
1139 \right \} \end{equation}
1140
1141 where
1142
1143 \begin{eqnarray}
1144   X=(x_{ijl})\in I \cap J \cap L, \label{Q3APConstraints1}\\
1145   x_{ijl}\in \{0,1\}, \quad i,j,l=0,1,...,n-1 \label{Q3APConstraints2}
1146 \end{eqnarray} $I$, $J$, and $L$ sets are defined as follows:
1147 \begin{displaymath} I=\lbrace X=(x_{ijl}):
1148 \sum_{j=0}^{n-1}\sum_{l=0}^{n-1}x_{ijl}=1, \quad
1149 i=0,1,...,n-1\rbrace \mathrm{;} \end{displaymath}
1150 \begin{displaymath} J=\lbrace X=(x_{ijl}):
1151 \sum_{i=0}^{n-1}\sum_{l=0}^{n-1}x_{ijl}=1, \quad
1152 j=0,1,...,n-1\rbrace \mathrm{;} \end{displaymath}
1153 \begin{displaymath} L=\lbrace X=(x_{ijl}):
1154 \sum_{i=0}^{n-1}\sum_{j=0}^{n-1}x_{ijl}=1, \quad
1155 l=0,1,...,n-1\rbrace  \end{displaymath}
1156 % fin------------------------------------------------------------------------------
1157
1158 Other equivalent formulations of the Q3AP can be found in the literature. A particularly useful one is the
1159 \textit{permutation-based formulation} wherein the Q3AP can be expressed as follows:
1160
1161  \begin{equation*}
1162  min\left\{ f(\pi_1,\pi_2) =
1163  \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
1164  + \right.
1165 \end{equation*}
1166
1167 \begin{equation}
1168  \left. \sum_{i=0}^{n-1}b_{i\pi_{1(i)}\pi_{2(i)}}\right
1169  \} \label{Q3APPermutationBasedFormulation}
1170 \end{equation}
1171 where $\pi_1$ and $\pi_2$ are permutations over the set
1172 $\left\lbrace 0,1,\ldots,n-1\right\rbrace$. According to this
1173 formulation, minimizing the Q3AP consists of finding a double
1174 permutation $(\pi_1,\pi_2)$ which minimizes the objective function
1175 (\ref{Q3APPermutationBasedFormulation}).\\
1176
1177 The Q3AP is proven to be an NP-hard problem since it is an
1178 extension of the quadratic assignment problem and of the axial
1179  3-dimensional assignment problem which are both NP-hard problems. It is particularly computationally difficult since the
1180 number of feasible solutions of an instance of size $n$ is $n! \times n!$.
1181
1182 \subsection{Iterated tabu search algorithm for the Q3AP}
1183
1184 To tackle large-sized instances of the Q3AP and speed up the
1185 search process, a parallel ILS\index{Metaheuristics!iterated local
1186 search} algorithm has been designed. The local search embedded in
1187 the ILS is a TS\index{Metaheuristics!tabu~search}. A TS
1188 procedure~\cite{Glover1989TS} starts from an initial feasible
1189 solution and tries, at each step, to move to a neighboring
1190 solution that minimizes the fitness (for a minimization case). If
1191 no such move exists, the neighbor solution that less degrades the
1192 fitness is chosen as a next move. This enables the TS process to
1193 escape local optima. However, this strategy may generate cycles,
1194 i.e., previous moves can be selected again. To avoid cycles, the
1195 TS manages a short-term memory that contains the moves that have
1196 been recently performed. A TS\index{Metaheuristics!tabu~search}
1197 template is given by Algorithm \ref{TS_pseudo_code}.\\
1198 %
1199 %  \begin{algorithm}
1200 %  \label{TS_pseudo_code}
1201 %  \caption{Tabu search template}
1202 %  \begin{algorithmic}[1]
1203 %  \STATE GenerateInitSol($s_0$);
1204 %  \STATE TabuList=$\phi$;
1205 %  \STATE $t=0$;
1206 %  \REPEAT
1207 %          \STATE $m(t)$ = SelectBestMove($s(t)$);
1208 %          \STATE $s(t+1)$ = ApplyMove($m(t),s(t)$);
1209 %          \STATE TabuList = TabuList $\bigcup \{m(t)\}$;
1210 %          \STATE $t = t + 1$;
1211 %  \UNTIL{a maximum number of iterations is reached}
1212 %
1213 %  \end{algorithmic}
1214 %  \end{algorithm}
1215
1216 \begin{algorithm}[H]
1217     \SetAlgoLined
1218     %\KwData{this text}
1219     %\KwResult{how to write algorithm with \LaTeX2e }
1220     GenerateInitSol($s_0$)\;
1221     TabuList=$\phi$\;
1222     $t=0$\;
1223     \Repeat{a maximum number of iterations is reached}{
1224           $m(t)$ = SelectBestMove($s(t)$)\;
1225           $s(t+1)$ = ApplyMove($m(t),s(t)$)\;
1226           TabuList = TabuList $\bigcup \{m(t)\}$\;
1227           $t = t + 1$\;
1228
1229     }
1230 \caption{tabu search template}
1231 \label{TS_pseudo_code}
1232 \end{algorithm}
1233
1234
1235 \subsection{Neighborhood functions for the Q3AP}
1236
1237 The neighborhood function is a crucial parameter in any local
1238 search algorithm. Indeed, if the neighborhood function is not
1239 adequate to the problem and/or does not consider the targeted
1240 computing framework, any local search algorithm will fail to reach
1241 good quality solutions of the search space.\\
1242
1243 Regarding the Q3AP, many neighborhood structures can be
1244 considered. A basic neighborhood was proposed and investigated in
1245 different works of the
1246 literature~\cite{Hahn2008q3ap,DBLP:journals/ijfcs/LoukilMMTB12}
1247 and consists of the set of all solutions (double-permutations)
1248 generated from the current one by an exchange of two positions in
1249 either the first ($\pi_1$) or the second ($\pi_2$) permutation.
1250 This neighborhood that we denote by $N_b$ can be formalized as
1251 follows:
1252
1253 \begin{equation}
1254 \begin{array}{rl}
1255 N_b(\pi_1,\pi_2)=\{&(\pi_1^{'},\pi_2^{'}): \pi_1^{'}[k]=\pi_1[l], \pi_1^{'}[l]=\pi_1[k]\\
1256                        & 0\leq k \neq l < n;\\
1257                 & \pi_1^{'}[i]=\pi_1[i], \quad 0\leq i\neq k,l < n;\\
1258                 & \pi_2^{'}[j]=\pi_2[j], \quad 0\leq j<n\\ \} \\
1259 \bigcup \\
1260 \{& (\pi_1^{'},\pi_2^{'}): \pi_2^{'}[k]=\pi_2[l], \pi_2^{'}[l]=\pi_2[k]\\
1261                 & 0\leq k \neq l < n;\\
1262                 & \pi_2^{'}[i]=\pi_2[i], \quad 0\leq i < n;\\
1263                 & \pi_1^{'}[j]=\pi_1[j], \quad 0\leq j\neq k,l < n\\
1264 \}& \end{array}
1265 \end{equation}
1266 where $(\pi_1,\pi_2)$ is the current solution and $n$ is the size
1267 of the Q3AP instance. The size $|N_b|$ of such neighborhood is
1268 equal to
1269
1270 \begin{equation}
1271  |N_b| = n \times (n-1)
1272 \end{equation}
1273
1274
1275 In our GPU-based implementations, a large-sized neighborhood
1276 structure has been used for experimentation. In fact, theoretical
1277 and experimental studies have shown that the use of large
1278 neighborhood structures may improve the effectiveness of LS
1279 algorithms~\cite{Ahuja:2007:VLN:1528422.1528438}. However, for
1280 such a neighborhood, the generation/evaluation step of an LS
1281 becomes a time-consuming task and may dramatically increase the
1282 computational time of the LS process. This
1283 justifies the use of intensive data-parallelism provided by GPUs where all neighboring solutions may be concurrently evaluated. \\
1284
1285 The considered large-sized neighborhood consists of swapping two
1286 positions in both permutations $\pi_1$ and $\pi_2$. This
1287 neighborhood structure, $N(\pi_1,\pi_2)$, can be formalized as
1288 follows:
1289
1290 \begin{equation} \begin{array}{rl}
1291 N(\pi_1,\pi_2)=\{&(\pi_1^{'},\pi_2^{'}): \pi_1^{'}[k]=\pi_1[l], \pi_1^{'}[l]=\pi_1[k],\\
1292                 & \pi_2^{'}[r]=\pi_2[s], \pi_2^{'}[s]=\pi_2[r]\\
1293                 & 0\leq k \neq l < n,0\leq r \neq s < n;\\
1294                 & \pi_1^{'}[i]=\pi_1[i], \quad 0\leq i\neq k,l < n;\\
1295                 & \pi_2^{'}[j]=\pi_2^{'}[j], \quad 0\leq j\neq r,s < n\\
1296
1297 \}& \end{array}
1298 \end{equation}
1299
1300 So, for a given Q3AP instance of size $n$, the size $|N|$ of the advanced neighborhood set can be expressed by the following formula:
1301
1302 \begin{equation}
1303   |N|=\left(\frac{n \times (n-1)}{2}\right )^2
1304 \end{equation}
1305
1306 \subsection{Design and implementation of a GPU-based iterated tabu search algorithm for the Q3AP} \label{ch8:ITS-Q3APSection}
1307
1308 The use of GPU devices to speed up the search process of local
1309 search methods is not a straightforward task. It requires one to
1310 consider, at the same time, the characteristics and underlying
1311 issues of the GPU architecture and the parallel models of LS
1312 methods. The main challenges that must be faced when designing a
1313 local search algorithm are the efficient distribution of the
1314 search process between the CPU and the GPU minimizing the data
1315 transfer between them, the hierarchical memory
1316 management\index{GPU Challenges!memory~management} and the
1317 capacity constraints of GPU memories, and the thread
1318 synchronization. All these issues must be regarded when designing
1319 parallel LS models to allow
1320 solving of large scale optimization problems on GPU architectures.\\
1321
1322 To go back to our problem (i.e., Q3AP), we propose in
1323 Algorithm~\ref{ch8:algoITS} an iterated tabu
1324 search\index{Metaheuristics!tabu~search} on GPU (GPU-ITS). The
1325 parallel model is in agreement with the
1326 iteration-level\index{Metaheuristics!iteration-level parallelism}
1327 parallel model of LS methods presented in Section
1328 \ref{ch8:sec:paraMeta} (Fig. \ref{ch8:fig:paraMeta}). This
1329 algorithm can be seen as a cooperative model between the CPU and
1330 the GPU. Indeed, the GPU is used as a coprocessor in a synchronous
1331 manner. The resource-consuming part, i.e., the generation and
1332 evaluation kernel, is calculated by the GPU and the rest of the LS
1333 process is handled by the CPU. First of all, at initialization
1334 stage, memory allocations on GPU are made; the input matrices
1335 (distance and flow matrices) and the initial candidate solution of
1336 the Q3AP must be allocated (lines 4 and 5). Since GPUs require
1337 massive computations with predictable memory accesses, a structure
1338 has to be allocated for storing all the neighborhood fitnesses at
1339 different addresses (line 6). Second, the matrices and the initial
1340 candidate solution have to be copied on the GPU (lines 7 and 8).
1341 We notice that the input matrices are read-only structures and do
1342 not change during all the execution of the LS algorithm.
1343 Therefore, their associated memory is copied only once during all
1344 the execution. Third, comes the parallel
1345 iteration-level\index{Metaheuristics!iteration-level parallelism},
1346 in which each neighboring solution is generated, evaluated, and
1347 copied into the neighborhood fitnesses structure (from lines 10 to
1348 14). Fourth, since the order in which candidate neighbors are
1349 evaluated is undefined, the neighborhood fitnesses structure has
1350 to be copied to the host CPU (line 15). Then the selection
1351 strategy is applied to this structure (line 16): the exploration
1352 of the neighborhood fitnesses structure is done by the CPU.
1353 Finally, after a new candidate has been selected, this information
1354 is copied to the GPU (line 18). The process is repeated until a
1355 given number of iterations has been reached.
1356
1357 % \begin{algorithm}
1358 % \caption{Template of an iterated tabu search\index{Metaheuristics!tabu~search} on GPU for solving the Q3AP} \label{LSGPU}
1359 %  \begin{algorithmic}[1]
1360 %  \STATE Choose an initial solution
1361 %  \STATE Evaluate the solution
1362 %  \STATE Initialize the tabu list
1363 %  \STATE Allocate the Q3AP input data on GPU device memory
1364 %  \STATE Allocate a solution on GPU device memory
1365 %  \STATE Allocate a neighborhood fitnesses structure on GPU device memory
1366 %  \STATE Copy the Q3AP input data on GPU device memory
1367 %  \STATE Copy the solution on GPU device memory
1368 %  \REPEAT
1369 %      \FOR{each generated neighbor on GPU}
1370 %          \STATE Incremental evaluation of the candidate solution
1371 %          \STATE Insert the resulting fitness into the neighborhood fitnesses structure
1372 %      \ENDFOR
1373 %      \STATE Copy the neighborhood fitnesses structure on CPU host memory
1374 %      \STATE Select the best admissible neighboring solution
1375 %      \STATE Update the tabu list
1376 %      \STATE Copy the chosen solution on GPU device memory
1377 %  \UNTIL{a maximum number of iterations reached}
1378 %  \end{algorithmic}
1379 %  \end{algorithm}
1380
1381 \begin{algorithm}[H]
1382     \SetAlgoLined
1383     %\KwData{this text}
1384     %\KwResult{how to write algorithm with \LaTeX2e }
1385     Choose an initial solution\;
1386     Evaluate the solution\;
1387     Initialize the tabu list\;
1388     Allocate the Q3AP input data on GPU device memory\;
1389     Allocate a solution on GPU device memory\;
1390     Allocate a neighborhood fitnesses structure on GPU device memory\;
1391     Copy the Q3AP input data on GPU device memory\;
1392     Copy the solution on GPU device memory\;
1393     $t=0$\;
1394     \Repeat{a maximum number of iterations is reached}{
1395         \For{each generated neighbor on GPU}{
1396           Incremental evaluation of the candidate solution\;
1397           Insert the resulting fitness into the neighborhood fitnesses structure\;
1398         }
1399         Copy the neighborhood fitnesses structure on CPU host memory\;
1400         Select the best admissible neighboring solution\;
1401         Update the tabu list\;
1402         Copy the chosen solution on GPU device memory\;
1403     }
1404 \caption{template of an iterated tabu search on GPU for solving the Q3AP}
1405 \label{ch8:algoITS}
1406 \end{algorithm}
1407
1408
1409 \subsection {Experimental results}
1410
1411 In this section, some experimental results related to the approach
1412 presented in Section \ref{ch8:ITS-Q3APSection} are reported. We
1413 recall that the approach is a GPU-based iterated tabu
1414 search\index{Metaheuristics!tabu~search} (GPU-ITS) method
1415 consisting in an iterated local search (ILS) embedding a tabu
1416 search\index{Metaheuristics!tabu~search} (TS) and where the
1417 generation/evaluation step of the TS process is executed on GPU.
1418 The ILS is used to improve the quality of successive local optima
1419 provided by TS methods. This is achieved by perturbing the local
1420 optima reached by the current TS process and reconsidering it as
1421 initial solution of the following TS process. Regarding our
1422 algorithm, the applied perturbation is a random number $\mu $ of
1423 swaps in either the first or the second permutation where $\mu \in
1424 [2:n]$ ($n$ is the instance size).\\
1425
1426 Experiments have been carried out on a node of the Chirloute
1427 cluster of the Lille site. This is one of the 10 sites that
1428 currently make up Grid5000~\cite{grid5000}, the French
1429 experimental computational grid. A Chirloute cluster node consists
1430 of an Intel Xeon E5620 CPU and a NVIDIA Tesla Fermi M2050 (448
1431 cores) GPU type. The number of ILS iterations and the number of TS
1432 iterations were set respectively to 20 and 500. The tabu list size
1433 has been initalized to $\frac{m}{4}$, $m$ being the size of the
1434 neighborhood set.\\
1435
1436 Table \ref{ch8:ITSQ3APResults} reports the obtained results for
1437 the GPU-ITS using our large-sized neighborhood structure. The
1438 method has been tested on 5 Q3AP instances derived from the QAP
1439 Nugent instances in QAPLIB~\cite{burkard1991qaplib}. The average
1440 time measurement for 20 executions is reported in seconds and
1441 acceleration factors compared to a standalone CPU are also
1442 considered. The algorithm is stopped when a maximum number of
1443 iterations has been reached or when the optimal (or best known)
1444 value has been discovered. Average and max values of the
1445 evaluation function of the parallel GPU version have been
1446 measured. The number of successful tries (hits) and the average
1447 number of ILS iterations to converge to the optimal/best known
1448 value are also represented. The associated standard deviation for
1449 each average measurement is shown in small type characters.\\
1450
1451 \begin{table}
1452 %\tiny
1453 %\footnotesize
1454 \small
1455 \begin{tabular}{|l|r|r|r|r|r|r|r|r|} \hline
1456 \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} \\
1457 & \multicolumn{1}{|c|}{/BKV\footnotemark }& \multicolumn{1}{|c|}{value }& \multicolumn{1}{|c|}{value }& \multicolumn{1}{|c|}{} & \multicolumn{1}{|c|}{time }& \multicolumn{1}{|c|}{time }&  \multicolumn{1}{|c|}{up}& \multicolumn{1}{|c|}{iter.}\\ \hline
1458 Nug12-d & $580$   & $615.4$    & $744$   & $35$\% & $87.7$ & $2.5$ & $34.7 \times$& $16$ \\
1459     &   & \tiny{$41.7$}    & && \tiny{$40.9$} & \tiny{$0.9$} & & \tiny{$6.3$} \\ \hline
1460 Nug13-d & $1912$  & $1985.4$   & $2100$  & $20$\% & $209.2$ & $3.3$ & $63.5 \times$ & $17$ \\
1461 &  & \tiny{$51.0$}   &  & & \tiny{$1.3$} & \tiny{$1.0$} &  & \tiny{$5.6$} \\ \hline
1462 Nug15-d & $2230$  & $2418.1$  & $2580$  & $30$\% & $305.5$ & $5.2$ & $58.8 \times$ & $17$ \\
1463  &  & \tiny{$135.3$}  & & & \tiny{$164.5$} & \tiny{$1.3$} & & \tiny{$5.0$} \\ \hline
1464 Nug18-d & $17836$ & $18110.2$ & $18506$ & $10$\% & $1375.9$ & $12.8$ & $107.4 \times$ & $19$ \\
1465 & & \tiny{$157.8$} & & & \tiny{$123.5$} & \tiny{$2.6$} & & \tiny{$4.2$} \\ \hline
1466 Nug22-d & $42476$ & $43282.1$ & $44140$ & $25$\% & $4506.5$ & $32.7$ & $137.8 \times$ & $18$ \\
1467 & & \tiny{$529.6$} & & & \tiny{$341.1$} & \tiny{$6.6$} & & \tiny{$4.0$} \\ \hline
1468 \end{tabular}
1469 \caption{Results of the GPU-based iterated tabu search for
1470 different Q3AP instances.} \label{ch8:ITSQ3APResults} \center
1471 \end{table}
1472
1473 %\begin{table}
1474 %\tiny
1475 %%\footnotesize
1476 %\caption{Results of the GPU-based iterated tabu search for different Q3AP instances}
1477 %\label{ch8:ITSQ3APResults} \center
1478 %\begin{tabular}{|c|c|c|c|c|c|c|c|c|} \hline
1479 %Instance & Opt./BKV\footnotemark & Average val. & Max val. & Hits & CPU time & GPU time & Accel. & ITS iter.\\ \hline
1480 %Nug12-d & $580$   & $615.4_{41.7}$    & $744$   & $35$\% & $87.7_{40.9}$ & $2.5_{0.9}$ & $\times 34.7 $& $16_{6.3}$ \\ \hline
1481 %Nug13-d & $1912$  & $1985.4_{51.0}$   & $2100$  & $20$\% & $209.2_{1.3}$ & $3.3_{1.0}$ & $\times 63.5$ & $17_{5.6}$ \\ \hline
1482 %Nug15-d & $2230$  & $2418.1_{135.3}$  & $2580$  & $30$\% & $305.5_{164.5}$ & $5.2_{1.3}$ & $\times 58.8 $ & $17_{5.0}$ \\ \hline
1483 %Nug18-d & $17836$ & $18110.2_{157.8}$ & $18506$ & $10$\% & $1375.9_{123.5}$ & $12.8_{2.6}$ & $\times 107.4$ & $19_{4.2}$ \\ \hline
1484 %Nug22-d & $42476$ & $43282.1_{529.6}$ & $44140$ & $25$\% & $4506.5_{341.1}$ & $32.7_{6.6}$ & $\times 137.8$ & $18_{4.0}$ \\ \hline
1485 %\end{tabular}
1486 %\end{table}
1487
1488 \footnotetext{Best known value.}
1489
1490 Regarding the execution time, the generation and evaluation of the
1491 neighborhood in parallel on GPU provides an efficient way to
1492 speedup the search process in comparison with a single CPU. In
1493 fact, for the smaller instance Nug12-d, the GPU version starts to
1494 be faster than the CPU one (acceleration factor of $34.7~\times$).
1495 As long as the problem size increases, the speedup grows
1496 significantly (up to $137.8 \times$ for the Nug22-d instance).
1497 This means that the use of GPU provides an efficient way to deal
1498 with large neighborhoods. Indeed, the proposed neighborhoods were
1499 unpractical in terms of single CPU computational resources for
1500 large Q3AP instances such as Nug22-d (estimated to around $2$
1501 hours per run). So, implementing this algorithm on GPU has allowed
1502 the exploitation of  parallelism in such neighborhood and improved
1503 the robustness/quality of provided solutions.
1504
1505 \section{Conclusion}
1506 \label{ch8:conclusion}
1507
1508 This chapter has presented state-of-the-art GPU-based parallel
1509 metaheuristics\index{Metaheuristics!parallel~metaheuristics} and
1510 a case study on implementing large neighborhood local search
1511 methods on GPUs for solving large benchmarks of the quadratic
1512 three-dimensional assignment problem (Q3AP). \\
1513
1514 Implementing parallel
1515 metaheuristics\index{Metaheuristics!parallel~metaheuristics} on
1516 GPU architectures poses new issues and challenges such as memory
1517 management\index{GPU Challenges!memory~management};  finding
1518 efficient mapping strategies between tasks to parallelize; and the
1519 GPU threads, thread divergence\index{GPU
1520 Challenges!thread~divergence}, and synchronization. Actually, most
1521 of metaheuristics have been implemented on GPU using different
1522 implementation strategies. In this chapter, a two-level
1523 classification of the reviewed works has been proposed: design
1524 level and implementation level. Design level regroups traditional
1525 parallel models used for metaheuristics while implementation level
1526 refers to the way those models are mapped to the GPU architecture.
1527 This classification focuses mainly on  the mapping between the
1528 metaheuristic tasks to parallelize and the GPU threads. Indeed,
1529 the choice of a given mapping strategy strongly influences the
1530 other challenges (memory usage, communication, thread
1531 divergence\index{GPU Challenges!thread~divergence}).
1532
1533 \putbib[Chapters/chapter9/biblio9]