Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2. Definiciones y conceptos
Esta seccin presenta los conceptos bsicos usados en optimizacin multi-objetivo basado en
optimalidad de Pareto. Estas definiciones son tomadas de [4].
Definicin 1. Problema de optimizacin mulit-objetivo (MOP).
Dado un vector funcin = [& , ( , , * ()] y su espacio de soluciones posibles
, el MOP consiste en encontrar un vector que optimice un vector funcin (). Sin
prdida de generalidad se asumen nicamente funciones de minimizacin.
Definicin 2. Dominancia de Pareto.
Un vector domina (se denota como ) si 2 2 ( 4 ) para toda funcin en
hay al menos una tal que 2 < 2 ().
Definicin 3. ptimo de Pareto.
Un vector es ptimo de Pareto si no existe 4 tal que 4 .
Definicin 4. Conjunto de ptimo de Pareto.
Dado un MOP, el conjunto de ptimo de Pareto es definido como { }.
Definicin 5. Frente de Pareto.
Dado un MOP y su conjunto de ptimo de Pareto , el frente de Pareto se define como
= .
3. Descripcin del problema
El problema tratado ocurre en los clsteres HPC, donde las mquinas son usadas para ejecutar
una gran carga de tareas. Se asumen las siguientes condiciones: las mquinas son capaces de
usar DVFS, las mquinas son heterogneas, nicamente se reciben tareas sin precedencias,
el desempeo de una mquina no es afectada por las dems mquinas. Cada mquina tiene
diferentes niveles de configuracin para las velocidades de procesamiento.
Dado un conjunto de tareas = {& , ( , , B }, un conjunto de mquinas heterogneas =
{& , ( , , * }, los tiempos de ejecucin de cada tarea en cada mquina =
{&,& , &,( , , B,* }. El mnimo makespan producido por la asignacin de mquina/tarea que
minimice:
*
HI&
(
2,H 2 H )
(1)
Debido a que las mquinas incluyen tecnologa DVFS y son heterogneas, existen diferentes
niveles de voltaje para cada mquina H tiene asociada una velocidad relativa. Cuando el
2,H
(2)
(3)
2 H
HI&
(4)
4
2,H
2 H )
Figura 1. Representacin del cromosoma.
Figura 2. Representacin de las cruzas.
Se implement una mutacin en la que se modifica el 10% del cromosoma (M1). Una
mutacin en la que cada gen tiene el 5% de cambiar (M2). Se propone una mutacin (M3)
que est basada en la idea del balanceo de cargas la cual consiste en distribuir el peso de las
mquinas. Esta mutacin selecciona aleatoriamente una tarea que se encuentra en una
mquina que genera makespan y la cambia a otra mquina aleatoriamente Fig. 4.
Figura 3. Mutacin de balanceo de carga.
5. Experimentacin
Para la experimentacin se utiliz un conjunto de cuarenta instancias proporcionadas por el
Dr. Pecero Snchez de la universidad de Luxemburgo. El experimento consisti en 50
pruebas independientes por cada combinacin de cruza y mutacin. Para medir la calidad de
los resultados se utilizaron los indicadores de calidad (IQ) de Hypervolume (HV),
Generational Distance (GD) y Generalized Spread (GS), para medir volumen, distribucin
del frente y diversidad respectivamente.
6. Resultados
En la Tabla 1 la primera, tercera y quinta columna muestran la combinacin de
cruza/mutacin. La segunda, cuarta y sexta columna muestran los IQ de HV, GD y GS,
respectivamente.
Tabla 1. Resultados de la experimentacin.
Cruza-Mutacin
C1M3
C1M2
C1M1
C4M1
C4M3
C4M2
C2M1
C2M3
C2M2
C3M1
C3M3
C3M2
HV
0.776390
0.775394
0.774734
0.769459
0.768544
0.767315
0.528142
0.520752
0.516562
0.510700
0.506926
0.506756
Cruza-Mutacin
C1M3
C1M1
C1M2
C4M1
C4M3
C4M2
C2M1
C2M2
C3M1
C2M3
C3M3
C3M2
GD
0.004160
0.004252
0.004577
0.005542
0.005808
0.005811
0.075285
0.075713
0.076519
0.077973
0.078446
0.078886
Cruza-Mutacin
C4M1
C4M2
C4M3
C2M1
C3M1
C2M2
C3M2
C2M3
C1M2
C1M3
C1M1
C3M3
GS
0.745476
0.745545
0.747649
0.758623
0.759231
0.759893
0.773652
0.777252
0.783733
0.793533
0.794606
0.794631
7. Conclusiones
De la Tabla 1 podemos observar que la mejor combinacin para HV y GD es la combinacin
de C1 con M3, adems de que C1 obtiene los mejores resultados para cualquiera de las tres
mutaciones. En cambio para obtener mejor diversidad es mejor utilizar la C4 con la M1. De
los resultados obtenidos podemos observar que el aprovechar caractersticas propias del
problema obtenemos mejores resultados. Parte de las contribuciones es la mutacin propuesta
en este trabajo denominada balanceo de carga la cual consiste en identificar que elemento del
cromosoma est aportando mayor peso y tratar de cambiar dicho elemento identificado a otro
valor.
Referencias
[1] W.-c. Feng, The importance of being low power in high performance computing, de
CTWatch Quarterly, vol. 1, 2005, pp. 11-20.
[2] T. J. W., I. R. Center y D. Feitelson, A Survey of Scheduling in Multiprogrammed Parallel
Systems, IBM T. J. Watson Research Center, 1994.
[3] TOP500.org, The 43rd top500 list, ISC14, Leipzig, Germany, 2014.
[4] A. S. Pineda, H. J. F. Huacuja, B. Dorronsoro, J. E. Pecero, C. G. Santillan, J. J. G. Barbosa y J. C.
S. Monterrubio, A survey of decomposition methods for multi-objective optimization, de
Recent Advances on Hybrid Approaches for Designing Intelligent Systems, vol. 547, O. Castillo,
P. Melin, W. Pedrycz y J. Kacprzyk, Edits., Tijuana, Springer International Publish, 2014.
[5] D. K., A. S., P. A. y M. T., A fast elitist nondominated sorting genetic algorithm for multiobjective optimization: Nsga-ii., In Proceedings of the 6th International Conference on
Parallel Problem Solving from Nature, vol. 1917, 2000.
[6] D. K., A. S., P. A. y M. T., A fast elitist non-dominated sorting algorithm for multi-objective
optimization: Nsga-ii, Proceedings of the 6th International Conference on Parallel Problem
Solving from Nature, vol. 1917, n Lecture Notes in Computer Science, 2000.