Schwarmintelligenz und evolutionäre Algorithmen in ...

6.4 Diskussion der Evaluationsmethoden
Listing 6.1: Parallelisierte Berechnung der Fitnessfunktionen aller Partikel eines PSO
1 (defn fly [swarm]
2 (dorun (map #(send % update-particle (:gbest swarm))
3 (:particlelist swarm)))
4 (apply await (:particlelist swarm)))
Ein Geschwindigkeitsvergleich zwischen den einzelnen Verfahren ist durch diese Tabelle nicht
möglich, da die Algorithmen eine unterschiedliche Anzahl an neuen Lösungen pro Generation
erstellen und jeweils eine nicht vergleichbare Anzahl an Evaluationen durchlaufen.
Agenten auffordern, die Evaluation durchzuführen
Agenten melden jeweils das Ende ihrer Berechnungen
Agent
Agent
Agent
Agent
Agent
Agent
Agent
Agent
runEvaluation
runEvaluation
Warten auf alle Agenten
Abbildung 6.2: Clojure Agenten berechnen die Fitnessfunktion parallel und melden selbstständig
das Ende der Berechnung an die Kontrollfunktion zurück.
Der Quellcode in der Auflistung 6.1 beschreibt den Ablauf der parallelen Aufrufe der Fitnessfunktion.
Um eine möglichst hohe Performance zu erreichen, werden statt Clojure-eigenen Vektoren
oder Listen native Java-Arrays für die Repräsentation der Benutzerprofile verwendet. Dies
bewirkt vor allem bei den Abstandsmaßen eine nahezu doppelt so schnelle Berechnung der
Abstände zwischen zwei Vektoren bzw. double-arrays, siehe Listing 6.2. Jede Berechnung wurde
mehrfach durchgeführt um Seiteneffekte auszuschließen. Die jeweils erste Berechnung
dauert länger als die Folgenden, da ab der zweiten Berechnung die Caching-Mechanismen
der Java Virtual Machine verwendet werden.
6.4 Diskussion der Evaluationsmethoden
Traings- und Testdatensatz Das Verhältnis der Aufteilung des Datensatzes ist bei der Evaluation
wichtig. Sarwar et al. [66] bespricht die Auswirkung dieser Wahl auf ein Recommendersystem
und zeigt, dass mit der steigenden Größe des Trainigsdatensatz die Genauigkeit
der Empfehlungen ansteigt. Dies begründet er damit, dass ein großer Trainingsdatensatz das
Modell sehr gut an die vorhandenen Daten anpasst und dadurch auf einer entsprechend
kleinen Testmenge die Vorhersage genauer wird. Wenn die Trainingsmenge kleiner gewählt
93