CC BY
30
УДК004.8, 519.85
ЭКСПЕРИМЕНТАЛЬНАЯ ОЦЕНКА ЗНАЧЕНИЙ ПАРАМЕТРОВ ОСТРОВНОГО ГЕНЕТИЧЕСКОГО АЛГОРИТМА ДЛЯ РЕШЕНИЯ ЗАДАЧ ОБЕСПЕЧЕНИЯ УСТОЙЧИВОСТИ ФУНКЦИОНИРОВАНИЯ РАСПРЕДЕЛЕННЫХ ИНФОРМАЦИОННЫХ СИСТЕМ
А.Н. Ивутин, Д.О. Есиков
Предложено использование островного генетического алгоритма для получения рационального (квазиоптимального) решения задач обеспечения устойчивости функционирования распределенных информационных систем. Проведена экспериментальная проверка эффективности применения островного генетического алгоритма для решения задач обеспечения устойчивости функционирования распределенных информационных систем. Получена экспериментально таблица параметров островного генетического алгоритмапри решении задач обеспечения устойчивости функционирования распределенных информационных систем различной размерности, обеспечивающие максимально возможные шансы получения оптимального решения задач.
Ключевые слова: островной генетический алгоритм, адаптивная схема репродукции, распределенная информационная система.
Надежное и бесперебойное функционирование распределенных информационных систем является залогом эффективного функционирования организаций и предприятий в различных сферах экономики. Под устойчивостью функционирования системы понимается ее способность выполнять возложенные функции с заданными показателями качества в условиях воздействия внутренних и внешних дестабилизирующих факторов.
Для обеспечения устойчивости функционирования распределенных информационных систем предложено решить следующие задачи [1].
1. Оптимизация распределения элементов программного обеспечения функциональных задач по узлам сети;
2. Оптимизация распределения информационных ресурсов по центрам хранения и обработки данных;
3. Определения рационального уровня расходов на формирование комплекса средств хранения данных вцентрах хранения и обработки информации;
4. Оптимизация состава технических средств системы хранения и обработки данных;
5. Оптимизация распределения резерва информационных ресурсов по центрам хранения и обработки данных.
Данные задачи относятся к классу задач комбинаторной оптимизации [1], а именно целочисленного дискретного программирования с булевыми переменными [1, 2].
Для получения точного решения существует достаточно большое количество методов дискретной оптимизации [2, 3]. Однако с увеличением размерности задач время решения точными методами возрастает экспоненциально. Метод получения рационального (квазиоптимального) решения в условиях жесткого ограничения времени решения, основанный на использовании островного генетического алгоритма, обеспечит за счет обоснованного выбора параметров алгоритма в отличие от существующих приближенных методов гарантированное получение рационального (квазиоптимального) решения (серии рациональных решений) за время не превышающее заданное.
Сущность предлагаемого островного генетического алгоритма заключается в одновременной и независимой друг от друга работе нескольких простых генетических алгоритмов (ГА) со своими популяциями. Каждый из них, вследствие случайной начальной инициализации исходной популяции, сходится к своему локальному экстремуму (острову). С определенной периодичностью (через определенное число поколений)по определенной схеме ГА обмениваются заданным числом лучших особей (осуществляется миграция особей), после чего процесс решения продолжается. Совокупность шагов алгоритма, завершающаяся обменом лучшими особями между островами (миграцией особей), составляет одну итерацию островного генетического алгоритма (ОГА). Подобная схема позволяет обеспечить выход простых ГА в каждом из островов из области локального экстремума, обеспечить большее разнообразие особей в популяциях и с большей вероятностью получить лучшее решение(в том числе достичь глобального экстремума). В качестве схемы миграции особей используется миграция с топологией полной сети, миграция с топологией кольца и их модификации [4,5].
Введем следующие обозначения: NLnd - число островов; N8teep -число итераций ОГА.
Островной ГА с миграцией особей с топологией кольца состоит из следующих шагов.
1. Для каждого k-го острова (k=1,2,...,Nnd) выполнить:
инициализацию исходной популяции путем заполнения ее особями,
сгенерированными случайным образом. В исходную популяцию не включаются нежизнеспособные особи. Повторное включение уже имеющейся особи не допускается;
формирование элитной популяции объемом Lel особей.
2. i = 0.
3. Для каждого острова (k=1,2,...,NLnd) осуществляется последовательная эволюция поколений в количестве Ngen (выполнение простого ГА с заданной схемой репродукции).
4. Если ^>1,для каждого к-го острова (£=1,2,..., N^-1) осуществляется перенос m (m= Ье1/2) лучших особей из элитной популяции в исходную популяцию ^го (j=k+1) острова путем замещения худших особей. Для случая k =^1пс1 перенос лучших особей осуществляется в 1-й остров.
5. i = ¿+1.
6. Если \<^ер перейти к п.3. В противном случае к п.7.
7. Сформировать результирующую популяцию из особей, составляющих элитные популяции каждого из островов.
8. Из результирующей популяции выбрать лучшую особь -результат решения.
9. Конец.
Выбор схемы репродукции оказывает существенное влияние на качество получаемого результата, однако эффективность схемы репродукции существенно зависит от результатов начальной инициализации исходной популяции. Неверный выбор схемы репродукции обычно приводит к существенному ухудшению качества получаемого решения. В связи с тем, что инициализация исходной популяции осуществляется случайным образом, осуществить заранее эффективный выбор схемы репродукции не представляется возможным. Предлагается использовать адаптивную схему репродукции, для чего в каждую хромосому необходимо включить числовые метки, используемые для получения схемы отбора и варианта крос-синговера [6].
На каждом шаге алгоритма (при формировании нового поколения особей) определяется количество особей в родительской популяции сформированных с использованием каждой схемы отбора и каждого вида крос-синговера и рассчитать частоту (вероятность) использования схем отбора и вариантов кроссинговера. При начальной инициализации исходной популяции для всех хромосом данным меткам присваиваются значение -1, а частоты применения схем отбора и вариантов кроссинговера принимают равновероятными. При этом схемы отбора особей и варианты кроссинго-вера используются случайным образом в соответствии с полученными частотами (вероятностями) их применения.
Для реализации адаптивной схемы репродукции рассматривались [7, 8, 9]:
схемы отбора особей: аутбридинг; инбридинг; случайный отбор; варианты кроссинговера: одноточечный; двухточечный; универсальный;
триадный (с формированием маски кроссинговера из лучшей особи элитной популяции);
триадный с учетом схемы.
В связи с незначительным влиянием мутации особей на качество получаемого решения использовался только один вариант мутации - одноточечная мутация [10].
Для решения задачи предложено и экспериментально проверено использование генетических алгоритмов, как варианта стохастического эволюционного поиска решения.Экспериментальная проверка выполнялась на вычислительном комплексе со следующими параметрами:
Процессор -IntelCorei5-3450 3.1 GHz; ОЗУ - 8Гб;
ОС - MS Windows 7 x64 Service Pack 1.
В таблице представлены экспериментально полученные параметры ОГА при решении задач обеспечения устойчивости функционирования распределенных информационных систем различной размерности, обеспечивающие максимально возможные шансы получения оптимального решения задач. Из таблицы видно, что для получения решения максимального качества в ОГА, количество островов должно быть не меньше 0,025^количество особей в популяции - 0,6N, количество итераций не должно быть меньше числа переменных, число итераций - не меньше чем 0,05N.
Параметры и характеристики ОГА для решения задач дискретного целочисленного программирования с булевыми переменными
Параметры и характеристики Кол-во переменных N Значения параметров
70 100 150 200
Количество островов 4 4 5 8 0,025N
Количество итераций 6 4 8 10 0,05N
Количество особей в популяции 50 60 80 120 0,6N
Длина периода миграции особей (поколений) - 120 160 180 0,9N, 1,2N
Поколений в итерации 40 200 200 200 —
Среднее время решения (сек.) 2,0 12,1 68,8 396,9 —
Среднее время решения задач МВиГ 0,2 13,99 74,05 1279,58 —
Таким образом, время решения островного генетического алгоритма даже при получении рационального (квазиоптимального) существенно меньше, чем при решении точным методом дискретной оптимизации и ориентация значений параметров позволяет получать решение за еще меньшее время.
Список литературы
1. Есиков Д.О. Задачи обеспечения устойчивости функционирования распределенных информационных систем // Международный научно-практический журнал «Программные продукты и системы». № 4 (112). Тверь, Изд-во Научно-исследовательского института «Центрпрограммси-стем». 2015.
2. Сергиенко И.В., Гуляницкий Л.Ф., Сиренко С.И. Классификация прикладных методов комбинаторной оптимизации // Кибернетика и системный анализ. 2009.
3. Алексеев О.Г. Комплексное применение методов дискретной оптимизации. М.: Наука, 1987. 248 с.
4. Михалевич В.С., Волкович В.Л., Волошин А.Ф. Метод последовательного анализав задачах линейного программирования большого размера. № 4. Кибернетика. 1981. С.114-120.
5. Holland J. H. Adaptationin Naturaland Artificial Systems. 2nd ed. Cambridge, MA: MITPress, 1992.
6. Гладков Л. А., Курейчик В.В., Курейчик В.М. Генетические алгоритмы М.: ФИЗМАТЛИТ, 2006. 320 с.
7. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы; пер. с пол. И. Д. Рудинского. М.: Горячая линия-Телеком, 2004. 383 с.
8. Нгуен Минь Ханг. Применение генетического алгоритма для задачи нахождения покрытия множества // Труды института системного анализа РАН. № 33. 2008. С. 206-219.
9. Панченко Т.В. Генетические алгоритмы: учебно-методическое пособие / под ред. Ю.Ю. Тарасевича. Астрахань: Издательский Дом «Астраханский университет», 2007. 87 с.
10. Ивутин А.Н., Есиков Д.О. Оценка эффективности адаптивной схемы репродукции в островном генетическом алгоритме решения задач обеспечения устойчивости функционирования распределенных информационных систем // Известия Тульского государственного университета. Технические науки. Тула: Изд-во ТулГУ, 2015. Вып. 9. С. 119-128.
Ивутин Алексей Николаевич, канд. техн. наук, alexey. ivutin@gmail. com, Россия, Тула, Тульский государственный университет,
Есиков Дмитрий Олегович, асп., [email protected], Россия, Тула, Тульский государственный университет
EXPERIMENTAL EVALUATION OF VALUESISLAND GENETIC ALGORITHMFOR SOLVING THE SUSTAINED OPERATION OF DISTRIB UTED INFORMATION SYSTEMS
A.N. Ivutin, D.O. Yesikov
Proposed use of island genetic algorithm for management of (quasioptimal) the task of ensuring the sustainability of distributed information systems. The experimental verification of the effectiveness of island genetic algorithm for solving problems of ensuring the sus-tainability of distributed information systems. Experimentally obtained parameter table island genetic algorithm for solving the tasks of ensuring the sustainability of distributed information systems of various dimensions, providing the greatest possible chance of obtaining the optimal solution.
Key words: island genetic algorithm, an adaptive scheme of reproduction, distributed information system.
Ivutin Alexey Nikolaevich, candidate of technical sciences, alexey. ivutin@,gmail. com, Russia, Tula, Tula State University,
Yesikov Dmitry Olegovich, postgraduate, mcgeen4@gmail. com, Russia, Tula, Tula State University
УДК 004
О ВНЕДРЕНИИ ПРОГРАММНОГО РАСПРЕДЕЛИТЕЛЯ В КОНВЕРГЕНТНУЮ ВЫЧИСЛИТЕЛЬНУЮ СЕТЬ ФУНКЦИОНИРУЮЩЕГО ПРЕДПРИЯТИЯ
А.К. Клепиков, А. Н. Привалов
Рассмотрена проблема сложности интеграции программного монитора-распределителя данных в конвергентную вычислительную сеть предприятия финансовой сферы. Представлены необходимые требования для работоспособности монитора-распределителя. Представлен механизм внедрения программного монитора в конвергентную сеть.
Ключевые слова: программный монитор-распределитель, конвергентная вычислительная сеть, вычислительная задача.
Конвергентная вычислительная сеть предприятия представляет собой систему, закрытую от внешних воздействий. Доступ к вычислительной сети возможен только для авторизованных рабочих мест, в связи с чем внедрение стороннего продукта представляет собой сложную цепочку взаимодействий различных отделов предприятия [3].
Интеграция монитора-распределителя вычислительных задач в конвергентную сеть предприятия производится в несколько этапов, на каждом из которых происходит согласование производимых действий с руководством организации. После того как руководство принимает решение об интеграции распределителя в конвергентную сеть предприятия, происходит этап определения соответствия требованиям.
104
