Swarm intelligent algorithms can effectively tackle optimization problems that are difficult to solve by using traditional optimization algorithms. However, with the huge increase in the time and space cost for solving optimization problems, the use of swarm intelligent algorithms suffer from the limitation of overly long computation time. Based on Spark, which is the most popular open-source distributed computing framework, this paper studies specifically using swarm intelligent algorithms to solve combinatorial optimization problems. Based on the characteristics of typical swarm intelligent algorithms, we develop Spark-based parallel implementation of these algorithms to accelerate the population updating and parameter tuning procedures involved in swarm intelligence. Specifically, we first initialize the swarm and generate the initial solution, then perform the distributed iterative evolution procedure, and finally obtain the optimal solution. In addition, in order to improve solution quality, we rely on the Spark platform to perform distributed parameter tuning. The tuning strategy first generates different parameter combinations according to a given parameter list, then execute swarm intelligent algorithms with different parameter combinations in a distributed and parallel manner, and finally determine the optimal parameter combination by comparing the solutions of all algorithms. Experimental results on benchmark datasets show that the distributed algorithms can significantly enhance the computational efficiency without affecting the solution quality.

中文翻译：

---

基于 Spark 的云计算环境中 Swarm 智能算法的并行实现

群体智能算法可以有效解决传统优化算法难以解决的优化问题。然而，随着求解优化问题的时间和空间成本的大幅增加，群智能算法的使用受到计算时间过长的限制。本文基于最流行的开源分布式计算框架Spark，专门研究了使用群体智能算法解决组合优化问题。基于典型群体智能算法的特点，我们开发了这些算法的基于 Spark 的并行实现，以加速群体智能中涉及的种群更新和参数调整过程。具体来说，我们首先初始化 swarm 并生成初始解决方案，然后进行分布式迭代进化过程，最终得到最优解。另外，为了提高解决方案的质量，我们依靠 Spark 平台进行分布式参数调优。调优策略首先根据给定的参数列表生成不同的参数组合，然后以分布式并行的方式执行具有不同参数组合的群体智能算法，最后通过比较所有算法的解来确定最优的参数组合。在基准数据集上的实验结果表明，分布式算法可以在不影响解决方案质量的情况下显着提高计算效率。为了提高解决方案的质量，我们依靠 Spark 平台进行分布式参数调优。调优策略首先根据给定的参数列表生成不同的参数组合，然后以分布式并行的方式执行具有不同参数组合的群体智能算法，最后通过比较所有算法的解来确定最优的参数组合。在基准数据集上的实验结果表明，分布式算法可以在不影响解决方案质量的情况下显着提高计算效率。为了提高解决方案的质量，我们依靠 Spark 平台进行分布式参数调优。调优策略首先根据给定的参数列表生成不同的参数组合，然后以分布式并行的方式执行具有不同参数组合的群体智能算法，最后通过比较所有算法的解来确定最优的参数组合。在基准数据集上的实验结果表明，分布式算法可以在不影响解决方案质量的情况下显着提高计算效率。然后以分布式并行的方式执行不同参数组合的群体智能算法，最后通过比较所有算法的解来确定最优的参数组合。在基准数据集上的实验结果表明，分布式算法可以在不影响解决方案质量的情况下显着提高计算效率。然后以分布式并行的方式执行不同参数组合的群体智能算法，最后通过比较所有算法的解来确定最优的参数组合。在基准数据集上的实验结果表明，分布式算法可以在不影响解决方案质量的情况下显着提高计算效率。