Применение гибридного алгоритма при решении неоднородной минимаксной задачи с использованием сильных мутаций
2,
1 2 1 В.Г. Кобак , А.Г. Жуковский , А.П. Кузин
1 Донской государственный технический университет, Ростов-на-Дону Северо-Кавказский филиал Московского технического университета связи и информатики, Ростов-на-Дону
1
Аннотация: В статье рассматривается проблема решения минимаксной задачи, характерной для теории расписаний. В качестве возможного метода решения данной задачи рассматривается гибридная модель, которая является одной из новинок генетических алгоритмов. Описывается сравнение эффективности работы данной модели на основе оценки точности полученных результатов при использовании двухточечного кроссовера, простой мутации и использовании сильной мутации.
Ключевые слова: двухточечный кроссовер, гибридный алгоритм, модифицированная модель Голдберга, мутация, минимаксная задача, теория расписаний, сильная мутация, особь, поколение.
Необходимость решения задач поиска наилучшего распределения заданий между процессорами определяется возможностью существенной экономии машинного времени. [1] Теоретическая сложность нахождения наилучшего распределения связана с решением экстремальных задач комбинаторного типа, требующих больших вычислительных ресурсов. Генетические алгоритмы, моделирующие эволюционные процессы, являются перспективным способом решения подобных задач. Применение гибридных форм при работе генетического алгоритма позволяет дополнительно во многих случаях увеличить точность решения. Раннее обычно в качестве основной модели выбиралась модифицированная модель Голдберга. В данной работе рассматривается гибридный алгоритм, который образуется путем добавления свойств модели СНС к модифицированной модели Голдберга.
Введение
Постановка задачи
В терминах теории расписаний распределительная задача может быть сформулирована следующим образом. Имеется система обслуживания, состоящая из N независимых устройств P = {p1,p2,...,pn}. На обслуживание
поступает конечный поток M - множество независимых параллельных заданий (функциональных операторов) T = {t1,t2,...,tm}. r(t1pj)- длительность
обслуживания задания t t устройством pj, определяется матрицей Тт.
Приборы в общем случае не идентичны, задание tt может быть обслужено
любым из устройств, и устройство p j может обрабатывать одновременно не
более одного задания. Необходимо определить такое распределение заданий по устройствам без прерываний, чтобы время выполнения всей совокупности заданий было минимальным. Критерий минимизации времени завершения обслуживания заданий, является минимаксным критерием и определяется в следующем виде: f = max f ^ min, где f = ^TT(tipi) - время завершения
lä 1 Sn 1 „ „ 1
J T(ttpj )eT
работы процессора pj.
Для решения этой задачи хорошо подходят генетические алгоритмы, позволяющие получить точное или приближенное решение. В данной работе в качестве базового алгоритма для решения неоднородной минимаксной задачи возьмем модифицированную модель Голдберга. Функционирование модифицированной модели Голдберга можно изобразить виде схемы, показанной на Рис. 1.
В работах [2, 3, 6] была тщательно исследована модифицированная модель Голдберга при решении неоднородной минимаксной задачи. При двухточечном кроссовере (Рис.2.), простой мутации (Рис.3.), а также при определенном формировании текущего поколения (Рис.4.) получались результаты очень близкие к оптимальным.
:
Рисунок 1 - Схема функционирования модифицированной модели
Голдберга.
Рисунок 2 - Полный двухточечный кроссовер
Рисунок 3 - Пример простой мутации
Рисунок 4 - Левая особь и мутации Модифицированную модель Голдберга (с найденными раннее параметрами) усилим дополнением характерным для модели СНС, которое можно описать в виде следующей последовательности:
В конечном поколении, состоящее из заданного числа особей, находим лучшую особь и запоминаем [4, 5, 7]. Если лучшая особь получилась первый раз, то конечное поколение подвергаем сильной мутации и запускается модифицированная модель Голдберга. Если лучшая особь получилась не первый раз, то подсчитываем количество запусков. Если количество запусков равно раннее заданному, то полученная лучшая особь выбирается как найденное решение. Если во время дополнительных запусков в конечном поколении получится более лучшая особь, то счетчик дополнительных запусков сбрасывается и запускается модифицированная модель Голдберга. Схема сильной мутации изображена на Рис.5.
Рисунок 5 - Схема сильной мутации
Вычислительный эксперимент
В связи с тем, что аналитически решить эту задачу крайне проблематично, если вообще возможно, в рамках исследования алгоритмов были поставлены вычислительные эксперименты, позволяющие собрать статистику решений алгоритмами [8, 9, 10]. Эксперимент проводился для 200, 400 и 800 особей и повторов алгоритма. Для таблиц 1, 2 и 3 есть ряд условных обозначений: К - процент особей, подвергшихся мутации; М -процент задач, подвергшихся мутации; В - процент бит, подвергшихся инвертированию. Жирным шрифтом выделены лучшие среди полученных результатов.
В таблице № 1 показан результат сравнения эффективности работы одноточечного кроссовера по сравнению с моделью, использующей сильную мутацию, для задачи с 4 процессорами и 71 задачи.
Таблица № 1
Сравнение эффективности алгоритмов для 4 процессоров и 71 задачи
Количество особей 200 400 800
Показатели Мин. Сред. Время(с) Мин. Сред. Время(с) Мин. Сред. Время(с)
Без сильной мутации 485 492,84 59 484 488,34 170 482 485,76 483
К м в
100 100 12,5 483 486,92 227 482 485 594 482 483,9 1921
100 50 12,5 482 486,3 193 483 485,32 569 483 484,72 1509
100 33 12,5 483 487,1 178 483 485,66 528 482 484,56 1593
50 100 12,5 484 490,68 127 484 487,14 431 483 485,66 1322
50 50 12,5 485 490,22 134 484 487,18 425 483 485,4 1243
50 33 12,5 485 490,12 144 483 487,12 414 483 485,16 1321
33 100 12,5 483 491 130 485 488,02 410 482 485,46 1311
33 50 12,5 485 491,12 128 485 487,76 398 482 485,34 1251
33 33 12,5 486 491,1 126 484 488,24 378 482 485,26 1433
100 100 50 485 489,02 231 483 486,36 675 482 484,2 2187
100 50 50 484 487,44 226 482 485,18 639 482 484,08 1788
100 33 50 483 486,5 232 482 485,02 587 482 484,2 1647
50 100 50 486 491,06 125 484 487,4 427 483 485,38 1251
50 50 50 486 490,94 131 484 488 412 483 485,28 1255
50 33 50 486 491,06 137 483 487,52 407 482 485,04 1289
33 100 50 486 491,54 123 483 487,6 384 482 485,14 1266
33 50 50 485 491,08 126 483 487,76 385 483 485,26 1254
33 33 50 486 490,74 126 484 487,18 416 482 485,56 1331
100 100 75 484 488,92 248 483 486,4 709 482 484,72 2215
100 50 75 484 487,84 227 482 485,24 712 482 484,24 2032
100 33 75 484 487,16 219 482 484,94 618 482 484 1845
50 100 75 484 490,78 138 484 487,7 389 483 485,48 1357
50 50 75 484 490,44 3853 483 487,54 413 483 485,4 1393
50 33 75 485 490,22 143 483 488,22 382 483 485,28 1383
33 100 75 485 490,82 130 485 488,44 398 482 485,2 1287
33 50 75 486 490,96 128 484 487,56 401 483 485,34 1315
33 33 75 485 490,64 132 482 487,42 390 483 485,74 1344
В таблице № 2 показан результат сравнения эффективности работы одноточечного кроссовера по сравнению с моделью, использующей сильную мутацию, для задачи с 5 процессорами и 71 задачи.
Таблица № 2
Сравнение эффективности алгоритмов для 5 процессоров и 71 задачи
Количество особей 200 400 800
Показатели Мин. Сред. Время(с) Мин. Сред. Время(с) Мин. Сред. Время(с)
Без сильной мутации 388 394,54 74 383 389,08 217 382 386,7 600
К м В
100 100 12,5 383 387,94 302 382 385,16 865 381 383,7 2644
100 50 12,5 382 387 251 381 384,66 812 381 383,44 2258
100 33 12,5 382 386,28 247 382 384,6 727 382 383,56 2313
50 100 12,5 386 392,04 161 384 388,4 522 382 385,9 1663
50 50 12,5 385 391,98 174 384 387,9 534 382 385,44 1727
50 33 12,5 385 390,62 173 384 387,68 546 382 385,4 1685
33 100 12,5 384 392,04 163 383 388,2 538 382 385,86 1620
33 50 12,5 385 391,94 158 384 388,32 504 382 385,82 1579
33 33 12,5 385 392,28 154 383 388,14 506 382 385,6 1619
100 100 50 384 389,48 334 383 386,34 888 382 384,14 2545
100 50 50 383 387,06 332 382 385,6 798 382 383,66 2754
100 33 50 383 386,84 307 382 384,74 855 381 383,32 2413
50 100 50 386 391,6 166 384 387,98 550 382 385,7 1750
50 50 50 386 391,74 157 384 388,08 515 382 385,96 1607
50 33 50 384 391,66 169 382 387,48 543 382 385,24 1685
33 100 50 386 392,86 144 384 388,1 500 383 385,22 1792
33 50 50 386 391,86 157 384 388,44 490 382 385,48 1583
33 33 50 384 391,92 155 383 388,1 488 382 385,76 1620
100 100 75 385 389,94 4031 383 385,86 964 382 384,02 2795
100 50 75 383 388,14 295 382 385,58 883 381 383,88 2505
100 33 75 383 387,06 302 382 385,32 830 382 384,5 2282
50 100 75 386 391,9 163 382 388,02 492 382 385,42 1723
50 50 75 387 392,26 161 383 387,96 563 382 385,46 1639
50 33 75 384 390,52 182 383 388,3 498 382 385,42 1701
33 100 75 387 392,62 148 384 389,04 488 381 385,3 1614
33 50 75 385 391,86 152 383 388,34 511 382 385,3 1661
33 33 75 387 392,32 162 384 388,28 455 382 385,26 1644
В таблице № 3 показан результат сравнения эффективности работы одноточечного кроссовера по сравнению с моделью, использующей сильную мутацию, для задачи с 6 процессорами и 71 задачи.
Таблица № 3
Сравнение эффективности алгоритмов для 6 процессоров и 71 задачи
Количество особей 200 400 800
Показатели Мин. Сред. Время(с) Мин. Сред. Время(с) Мин. Сред. Время(с)
Без сильной мутации 317 328,88 92 315 321,74 283 314 318,06 809
К м в
100 100 12,5 313 318,66 354 313 316,18 1034 311 314,1 3144
100 50 12,5 312 317,94 326 312 315,46 936 312 313,86 2848
100 33 12,5 313 317,62 323 312 315,98 849 312 314,2 2716
50 100 12,5 316 323,08 207 316 319,9 641 312 316,24 1892
50 50 12,5 317 323,24 202 315 319,42 608 313 316,86 1935
50 33 12,5 316 322,76 198 314 319,28 656 313 316,8 2051
33 100 12,5 317 324,58 184 314 319,16 604 313 317,56 1868
33 50 12,5 317 323 202 314 319,1 635 313 316,98 1901
33 33 12,5 318 324,1 188 314 319,6 587 313 317,02 0
100 100 50 314 321,04 391 313 317,7 1208 313 315,46 3295
100 50 50 316 319,1 382 313 316,12 1080 312 314,34 3181
100 33 50 313 318,4 352 312 315,64 1000 311 313,98 2937
50 100 50 317 323,56 195 314 320,24 617 313 316,84 1898
50 50 50 317 323,96 199 314 319,26 616 314 316,74 1914
50 33 50 318 323,9 3926 314 319,56 645 314 316,96 1808
33 100 50 317 324,04 196 315 319,4 606 313 317,02 1885
33 50 50 319 324,56 181 316 319,72 590 314 317,18 1937
33 33 50 317 325,06 186 316 319,92 569 314 317,34 1860
100 100 75 316 321,36 376 315 318,08 1215 312 315,34 3435
100 50 75 314 319,84 375 313 316,4 1087 312 314,68 2846
100 33 75 314 318,42 374 313 315,74 1011 310 313,98 2911
50 100 75 316 324,4 191 316 320,04 592 313 317,7 1883
50 50 75 317 324,38 202 315 319,7 618 311 316,94 1836
50 33 75 316 322,42 210 315 319,46 618 313 316,62 1983
33 100 75 317 323,84 190 315 319,74 623 312 317,24 1799
33 50 75 318 324,3 176 314 319,82 574 313 316,92 1848
33 33 75 318 324,44 182 315 320,04 575 313 316,66 1859
Выводы
Таким образом, обобщив результаты, приведенные в таблицах № 1-3, можно сделать несколько выводов:
1) Повышение количества особей и повторов приводит к повышению точности решения неоднородной минимаксной задачи, как при использовании гибридного алгоритма, так и при использовании модифицированной модели Голдберга.
2) Повышение количества особей и повторов приводит к существенному повышению времени получения решения неоднородной минимаксной задачи при использовании гибридного алгоритма.
3) Увеличение количества процессоров при решении неоднородной минимаксной задачи показывает преимущества гибридного алгоритма по сравнению с модифицированной моделью Голдберга по точности получаемого решения. Причем как в среднем происходит улучшение по количеству запусков, так и по лучшему решению, которое содержит последнее поколение.
4) Практически весь спектр рассматриваемых сильных мутаций превосходит по точности модифицированную модель Голдберга, однако использование сильной мутации с характеристиками К=100, М=50, В=12,5 наиболее перспективно для получения решения неоднородной минимаксной задачи.
Литература
1. Головкин Б.А. Расчет характеристик и планирование параллельных вычислительных процессов. Москва: Радио и связь, 1983. 216 с.
2. Кобак В.Г., Титов Д.В. Исследование турнирного отбора в генетическом алгоритме для решения однородной минимаксной задачи // Математические методы в технике и технологиях — ММТТ — 21: сб. трудов Междунар. науч. конф. — Саратов. 2008. №.2. C. 12.
3. Кобак В.Г., Поркшеян В.М., Кузин А.П. Использование различных вариантов мутации при решении неоднородной минимаксной задачи модифицированной моделью Голдберга // Научно практический журнал «Аспирант». 2017. №10. С. 26-29.
4. Аль-Хулайди А.А., Чернышев Ю.О. Разработка параллельного алгоритма нахождения оптимального решения транспортной задачи на кластере //Инженерный вестник Дона. 2011. №2. URL: ivdon.ru/ru/magazine/archive/n2y2011/445/.
5. Нетёсов А.С. Эволюционно-генетический подход к решению задач оптимизации. Сравнительный анализ генетических алгоритмов с традиционными методами оптимизации // Инженерный вестник Дона. 2011. №3 URL: ivdon.ru/ru/magazine/archive/n3y2011/459/.
6. Кобак В.Г., Жуковский А.Г., Кузин А.П. Исследование применения одноточечного кроссовера при решении неоднородной минимаксной задачи //Инженерный вестник Дона. 2018. №1. URL: ivdon.ru/ru/magazine/archive/ n1y2018/4714/.
7. Goldberg D. Genetic Algorithms In Search, Optimization, and Machine Learning. USA: Addison-Wesley Publishing Company, Inc., 1989. pp. 28-33.
8. Affenzeller M., Wagner S., Winkler S., Beham A. Genetic Algorithms and Genetic Programming: Modern Concepts and Practical Applications. USA: CRC Press, 2009. 364 P.
9. Каширина И.Л. Введение в эволюционное моделирование. Воронеж, 2007.40 С.
10. Панченко Т. В. Генетические алгоритмы. Астрахань: Астраханский
университет, 2007. 87 С.
References
1. Golovkin B.A. Raschet kharakteristik i planirovaniye parallel'nykh vychislitel'nykh protsessov. [Calculation of characteristics and planning of parallel computing processes]. Moscow: Radio i svyaz', 1983. 216 P.
2. Kobak, V.G., Titov D.V. Matematicheskie metody v tehnike i tehnologijah MMTT 21. Saratov, 2008. №.5. P. 12.
3. Kobak V.G., Porkshejan V.M., Kuzin A.P. Nauchno prakticheskij zhurnal «Aspirant». 2017. №10. pp. 26-29.
4. Al'-Khulaydi A.A., Chernyshev YU.O. Inzenernyj vestnik Dona (Rus), 2011, №2. URL: ivdon.ru/ru/magazine/archive/n2y2011/445/.
5. Netosov A.S. Inzenernyj vestnik Dona (Rus), 2011, №3. URL: ivdon.ru/ru/magazine/archive/n3y2011/459/.
6. Kobak V.G., Zhukovskiy A.G., Kuzin A.P. Inzenernyj vestnik Dona (Rus), 2018. №1. URL: ivdon.ru/ru/magazine/archive/n1y2018/4714/.
7. Goldberg D. Genetic Algorithms in Search, Optimization, and Machine Learning. USA: Addison-Wesley Publishing Company, Inc., 1989. pp. 28-33.
8. Affenzeller M., Wagner S., Winkler S., Beham A. Genetic Algorithms and Genetic Programming: Modern Concepts and Practical Applications. USA: CRC Press, 2009. 364 P.
9. Kashirina I.L. Vvedeniye v evolyutsionnoye modelirovaniye [Introduction to evolutionary modeling]. Voronezh, 2007. 40 P.
10. Panchenko T. V. Geneticheskiye algoritmy [Genetic algorithms]. Astrakhan: Astrakhan University, 2007. 87 P.