Actas JP2011 - Universidad de La Laguna

Actas XXII Jornadas de Paralelismo (JP2011) , La Laguna, Tenerife, 7-9 septiembre 2011a un conjunto de individuos que son seleccionadospor cada estrategia. Tal y como se puede observaren el Algoritmo 1 estos operadores son aplicados conuna probabilidad p c y p m , respectivamente. El funcionamientode estos operadores no viene determinadopor cada algoritmo, sino que se deben escogerde forma independiente. En este trabajo se analizael comportamiento de los algoritmos anteriores haciendouso de diversos operadores de variación. Dadoque el cromosoma está formado por una parte real yotra binaria se han empleado operadores de variaciónde ambos tipos. En el cruce de individuos se hantesteado los operadores de cruce de un punto (opc -One Point Crossover) y el cruce uniforme (ux) parala parte binaria. El cruce en la parte real siempreha sido realizado utilizando el cruce uniforme (ux -Uniform Crossover). En la proceso de mutación deindividuos se ha testeado la mutación uniforme (um)y la mutación polinomial (pol - Polynomial Mutation)para la parte real. En la parte binaria en todocaso se ha aplicado el operador Binary Flip Mutation.V. Modelos Basados en islasLos modelos basados en islas dividen la poblaciónoriginal en un conjunto de sub-poblaciones independientes.Cada sub-población es asociada a unaisla, y sobre cada isla se ejecuta una configuraciónde moea de forma independiente durante un ciertotiempo. Una configuración está constituida porun algoritmo de optimización con sus respectivosparámetros. Generalmente, cada procesador constituyeuna isla, de forma que cada isla evolucionaen paralelo de forma independiente. Sin embargo,dado que los esquemas colaborativos suelen alcanzarmejores resultados, se incluye una fase de migraciónque permite el intercambio de individuos entre islas.Este comportamiento colaborativo añade al esquemabasado en islas la posibilidad de obtener un mejorcomportamiento. Existen cuatro modelos basados enislas diferentes [13]: todas las islas ejecutan la mismaconfiguración (homogéneo), todas las islas ejecutanuna configuración diferente (heterogéneo), cada islaevalúa un subconjunto diferente de funciones objetivoy cada isla representa una región distinta en losdominios del fenotipo o del genotipo. En este trabajose analiza el modelo de islas homogéneo. En este modelotodas las islas ejecutan la misma configuraciónde un moea. En esta clase de modelo paralelo, elproceso de migración que permite el intercambio deindividuos entre islas es esencial. Dado que cadaalgoritmo evolutivo podría explorar regiones del espaciodiferentes, este mecanismo puede permitir enriquecerlas soluciones locales de cada isla, pudiendoobtenerse a la larga una mayor eficiencia en el esquema[16]. Para definir el esquema de migraciónse deben especificar una serie de componentes: latopología de migración (identifica hacía donde migranlos individuos), el ratio de migración (númerode individuos a migrar), el porcentaje de migración(determina con qué frecuencia se migra), la estrate-Error de Entrenamiento (%)Fig. 1.0.380.360.340.320.30.280.26UX_POLUX_UMOPC_POLOPC_UM0.240 1000 2000 3000 4000 5000 6000 7000EvaluacionesEvolución del Porcentaje de Error de Entrenamientogia de selección de individuos a migrar y la estrategiade reemplazamiento en la isla destino. Otra decisiónque puede influir enormemente en los resultados finaleses el tamaño de las subpoblaciones [16]. Algunosautores dividen la población original usada enlos esquemas secuenciales, de forma que la suma delas subpoblaciones sea igual a dicha población original.En otros casos se usan poblaciones tan grandescomo en el esquema secuencial. Cada uno de estosesquemas tiene ventajas y desventajas.VI. Resultados ComputacionalesEn esta Sección se describen los experimentos llevadosa cabo con los diferentes esquemas de optimizaciónpresentados en la Sección IV, así comosus paralelizaciones. Las pruebas se han lanzadoen una máquina con sistema operativo DebianGNU/Linux, 4 procesadores amd R○ Opteron TM(modelo 6164HE) que corren a 1.7 GHz, y con unamemoria RAM de 64 GB. El compilador utilizadoha sido gcc 4.4.5. El compilador mpi ha sido Open-MPI 1.4.2. La validación ha sido realizada utilizandolos datos proporcionados por el instituto de investigaciónIDIAP [11]. Concretamente se ha utilizado elSujeto 1 del conjunto de datos V. Para este sujeto sedisponen de 4 sesiones. Las 3 primeras han sido utilizadascomo conjunto de entrenamiento, mientrasque la última fue utilizada como conjunto de validación.Se han analizado los resultados tanto parael conjunto de entrenamiento como para el conjuntode validación. Ambos análisis han llevado a similaresconclusiones. Por ello, sólo se presentan resultadoshaciendo uso del conjunto de entrenamiento.Dado que los algoritmos considerados en este trabajono son deterministas, cada ejecución se harepetido 30 veces, y las comparativas han sido realizadasutilizando los siguientes test estadísticos [17].Primero, se aplica el test de Shapiro-Wilk para comprobarsi los resultados siguen una distribución normal.En caso afirmativo, se lleva a cabo el test deLevene para comprobar la homogeneidad de las varianzas.Si los resultados tienen igual varianza, secomparan los datos con el test anova. En los casosen que los datos no cumplen con una distribuciónnormal, el test de Welch es aplicado. Los test se hanllevado a cabo con un nivel de confianza del 95%.JP2011-48