是否可以使用Apache Spark RDD进行递归计算？
是否可以使用Apache Spark RDD进行递归计算？
提问于 2015-06-17 21:24:39
我正在使用Scala和Apache Spark开发国际象棋引擎(我需要强调的是，我的理智不是这个问题的主题)。我的问题是Negamax算法本质上是递归的，当我尝试朴素的方法时：
class NegaMaxSparc(@transient val sc: SparkContext) extends Serializable {
val movesOrdering = new Ordering[Tuple2[Move, Double]]() {
override def compare(x: (Move, Double), y: (Move, Double)): Int =
Ordering[Double].compare(x._2, y._2)
}
def negaMaxSparkHelper(game: Game, color: PieceColor, depth: Int, previousMovesPar: RDD[Move]): (Move, Double) = {
val board = game.board
if (depth == 0) {
(null, NegaMax.evaluateDefault(game, color))
} else {
val moves = board.possibleMovesForColor(color)
val movesPar = previousMovesPar.context.parallelize(moves)
val moveMappingFunc = (m: Move) => { negaMaxSparkHelper(new Game(board.boardByMakingMove(m), color.oppositeColor, null), color.oppositeColor, depth - 1, movesPar) }
val movesWithScorePar = movesPar.map(moveMappingFunc)
val move = movesWithScorePar.min()(movesOrdering)
(move._1, -move._2)
}
}
def negaMaxSpark(game: Game, color: PieceColor, depth: Int): (Move, Double) = {
if (depth == 0) {
(null, NegaMax.evaluateDefault(game, color))
} else {
val movesPar = sc.parallelize(new Array[Move](0))
negaMaxSparkHelper(game, color, depth, movesPar)
}
}
}
class NegaMaxSparkBot(val maxDepth: Int, sc: SparkContext) extends Bot {
def nextMove(game: Game): Move = {
val nms = new NegaMaxSparc(sc)
nms.negaMaxSpark(game, game.colorToMove, maxDepth)._1
}
}我得到了：
org.apache.spark.SparkException: RDD transformations and actions can only be invoked by the driver, not inside of other transformations; for example, rdd1.map(x => rdd2.values.count() * x) is invalid because the values transformation and count action cannot be performed inside of the rdd1.map transformation. For more information, see SPARK-5063.问题是:这个算法可以使用Spark递归实现吗？如果不是，那么解决这个问题的合适的Spark-way是什么？
Stack Overflow用户
发布于 2015-06-17 22:57:07
只有驱动程序可以在RDD上启动计算。原因是，尽管RDD“感觉”像是常规的数据集合，但在幕后它们仍然是分布式集合，因此在它们上启动操作需要协调所有远程从站上的任务执行，而这一点在大多数时候是对我们隐藏的。
因此，从从机递归，即直接从从机动态启动新的分布式任务是不可能的:只有驱动器可以处理这种协调。
这里有一个简化问题的可能的替代方案(如果我没弄错的话)。其思想是连续构建Moves的实例，每个实例表示来自初始状态的Move的完整序列。
Moves的每个实例都能够将自身转换为一组Moves，每个实例对应于相同的Move序列加上一个可能的下一个Move。
在此基础上，驱动程序只需按我们想要的深度连续flatMap Moves，生成的RDDMoves将为我们并行执行所有操作。
这种方法的缺点是所有深度级别都保持同步，即在进入下一步之前，我们必须计算级别n (即级别n的RDD[Moves] )的所有移动。
下面的代码没有经过测试，它可能有缺陷，甚至不能编译，但希望它提供了一个如何解决问题的想法。
/* one modification to the board */
case class Move(from: String, to: String)
case class PieceColor(color: String)
/* state of the game */
case class Board {
// TODO
def possibleMovesForColor(color: PieceColor): Seq[Move] =
Move("here", "there") :: Move("there", "over there") :: Move("there", "here") :: Nil
// TODO: compute a new instance of board here, based on current + this move
def update(move: Move): Board = new Board
}
/** Solution, i.e. a sequence of moves*/
case class Moves(moves: Seq[Move], game: Board, color: PieceColor) {
lazy val score = NegaMax.evaluateDefault(game, color)
/** @return all valid next Moves */
def nextPossibleMoves: Seq[Moves] =
board.possibleMovesForColor(color).map {
nextMove =>
play.copy(moves = nextMove :: play.moves,
game = play.game.update(nextMove)
}
}
/** Driver code: negaMax: looks for the best next move from a give game state */
def negaMax(sc: SparkContext, game: Board, color: PieceColor, maxDepth: Int):Moves = {
val initialSolution = Moves(Seq[moves].empty, game, color)
val allPlays: rdd[Moves] =
(1 to maxDepth).foldLeft (sc.parallelize(Seq(initialSolution))) {
rdd => rdd.flatMap(_.nextPossibleMoves)
}
allPlays.reduce { case (m1, m2) => if (m1.score < m2.score) m1 else m2}
}页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/30892986
复制相关文章
相似问题
腾讯云开发者
