Actas JP2011 - Universidad de La Laguna

Actas XXII Jornadas de Paralelismo (JP2011) , La Laguna, Tenerife, 7-9 septiembre 2011indeseable la asignación de la misma o frecuenciasadyacentes a transmisores que sirven dentro del mismoárea (instalados en el mismo sector). Además, dentro dela ecuación 2, C co (μ,σ) representa el coste debido a lasinterferencias co-canal (ecuación 3) mientras queC adj (μ,σ) es el coste en caso de las interferencias decanal adyacente (ecuación 4).CSH− μCco(μ,σ ) = 100(1.0 − Q())(3)σCSH− CACR− μCadj( μ,σ ) = 100(1.0 − Q()) (4)σDonde C SH es un umbral de calidad mínima de la señaly C ACR (rechazo de canal adyacente) mide la habilidaddel receptor a la hora de recibir la señal requerida enpresencia de una señal que no es la requerida en un canaladyacente. Finalmente, Q(z) se define como:Q(z)=∞∫z12πe x 2−2Para una explicación más detallada sobre los costesC co (μ,σ) y C adj (μ,σ) y el modelo matemático utilizado,el lector interesado puede consultar las referencias [1,3], donde se da una explicación más profunda sobre laformulación utilizada.dxIII. EQUIPO PARALELO DE METAHEURÍSTICASEn este artículo se presenta un equipo heterogéneocompuesto por un conjunto de siete metaheurísticas ycontrolado por una hiperheurística (HH) paralela. Elobjetivo de la HH no consiste en solucionar el problemade manera directa, sino en seleccionar el método másadecuado que debe aplicarse ante una determinadasituación. Este método, una metaheurística en nuestrocaso, será el encargado de trabajar con el problema. Enla Fig. 1 se puede observar un diagrama que describe elfuncionamiento general del sistema propuesto.Fig. 1. Diseño del equipo heterogéneo de metaheurísticas.Como se puede observar, tanto las especificaciones delproblema como las instancias que deben manejarse songestionadas por un conjunto de metaheurísticas que han(5)sido especialmente ajustadas para trabajar con el FAP.La tarea de la que se encarga la HH consiste en controlarla salida proporcionada por dichas estrategias paradistribuir de manera adecuada la carga de trabajo deacuerdo con la calidad de los resultados obtenidos porcada algoritmo. La comunicación entre la HH y lasmetaheurísticas no depende de las especificaciones delproblema, ya que la HH únicamente recibe en cadasincronización la mejor solución conseguida por cadametaheurística hasta ese momento, su coste asociado yel identificador del algoritmo que aportó la citadasolución. De acuerdo con dicha información la HHdistribuye la carga de trabajo que cada algoritmo deberáprocesar hasta la siguiente sincronización. Al final delproceso, la mejor solución conseguida por una de lasmetaheurísticas será la solución que devuelva el sistema.Una de las características más interesantes de la HH esque ésta hace que las metaheurísticas realicen subúsqueda en paralelo. Como se expondrá en la siguientesección, los experimentos se han realizado en un clústerde 128 núcleos, por lo que el diseño de la hiperheurísticaparalela saca el máximo partido de los recursosdisponibles. Uno de los núcleos del clúster ejecutará elproceso maestro del sistema (Algoritmo 1), mientras queel resto de núcleos ejecutarán las metaheurísticasdestinadas a resolver el problema propiamente dicho.Por tanto, la HH forma parte de un sistema síncronodonde su tarea es sincronizar y gestionar un equipo dealgoritmos metaheurísticos con el fin de resolver unproblema FAP real.Algoritmo 1 – Pseudocódigo para el proceso maestro de la HH1: vectorProbHH ← inicializar_vectorProbHH2: vectorCores ← asignar_metaheurística_a_cada_core (vectorProbHH)3: lanzar_ejecuciones_esclavos (vectorCores)4: mientras (! condición_de_parada) hacer5: /* El proceso maestro espera a que cada core ejecute su algoritmo */6: /* Cada sincronización → los cores envían la mejor solución al maestro */7: para (j = 0) hasta (j = número_de_cores_configurados) hacer8: vectorSoluciones ← recibir_soluciones_cores (j)9: fin para10: vectorSoluciones ← ordenar_soluciones_fitness (vectorSoluciones)11: vectorProbHH ← actualizar_vectorProbHH (vectorSoluciones)12: vectorCores ← actualizar_vectorCores (vectorProbHH)13: mejorSolucion ← seleccionar_mejor_solucion (vectorSoluciones)14: relanzar_ejecuciones_esclavos (vectorCores, mejorSolucion)15: fin mientras16: devolver seleccionar_mejor_solucion_recibida (vectorSoluciones)El proceso comienza con la distribución homogénea detodas las metaheurísticas incluidas en el sistema, deacuerdo con un vector de probabilidad inicializado parael efecto (líneas 1 y 2). Este vector de probabilidad tienela función de decidir el número de núcleos queejecutarán cada una de las metaheurísticas incluidas enel sistema. Como se puede observar en la Fig. 1 se haseleccionado un conjunto heterogéneo de sietemetaheurísticas que se han considerado representativas.Así, se han seleccionado algunas basadas en población(el algoritmo genético –GA [9], la búsqueda dispersa –SS [10], el algoritmo basado en colonia de abejas –ABC[11] y el aprendizaje incremental basado en población –PBIL [12]) y otras basadas en trayectoria (elprocedimiento de búsqueda adaptativa, aleatoria yavariciosa –GRASP [13], la búsqueda local iterativa –ILS [14] y la búsqueda de entorno variable –VNS [15]).Algunas de ellas son estrategias clásicas, como el GA, yotras son muy novedosas, como el ABC. Otras seJP2011-127