Actas JP2011 - Universidad de La Laguna

Actas XXII Jornadas de Paralelismo (JP2011) , La Laguna, Tenerife, 7-9 septiembre 2011aplicadas al app. La multiobjetivización es una estrategiamás general que aquellas que hacen uso deinformación dependiente del problema. En [11], sepropusieron numerosas estrategias para multiobjetivizarel app. El esquema de optimización estababasado en el algoritmo nsga-ii. La mejor estrategiapara multiobjetivizar el app consistía en calcularla distancia Euclídea al mejor individuo de lapoblación, es decir, aquel con mayor valor de fitness.El peor inconveniente de esta estrategia era el aumentodel tiempo requerido para obtener solucionesde alta calidad, comparándola con las técnicas queincorporaban información dependiente del problema.Para disminuir el tiempo de convergencia, en estetrabajo se ha aplicado un modelo homogéneo basadoen islas. La configuración que se ha ejecutado en lasislas es la mejor encontrada para multiobjetivizar elapp [11]. Las migraciones son una operación esencialen este tipo de modelos paralelos. Por ello, seha llevado a cabo un análisis de la robustez del modeloconsiderando diferentes esquemas de migración.Los resultados computacionales han demostrado larobustez de la propuesta, independientemente del esquemade migración utilizado. Además, el modeloparalelo ha superado los resultados obtenidos porla correspondiente estrategia secuencial. De hecho,se han obtenido factores de aceleración superlinealescuando se ha aplicado el modelo con 4 islas. Tambiénse ha llevado a cabo un análisis de escalabilidaddel modelo paralelo con el esquema de migración quemejores resultados ha obtenido (eli-rnd), variandoel número de islas hasta un máximo de 16. Para ambasinstancias, se han detectado ciertos problemas deescalabilidad. El tiempo invertido en alcanzar solucionesde alta calidad ha disminuido gracias a la incorporaciónde más procesadores. No obstante, estadisminución no ha sido lineal.El trabajo futuro se centrará en la aplicación dehiperheurísticas paralelas al app. Ya que en general,el método de optimización adecuado depende de lainstancia que se desea resolver, la aplicación de hiperheurísticasparece una línea de investigación prometedora.Las hiperheurísticas, en combinación con elmodelo paralelo presentado, permitirían seleccionarde forma automática el método a aplicar en cadaisla. También sería interesante analizar otras instanciasdel app.AgradecimientosEste trabajo ha sido financiado con fondos ec(feder) y del Ministerio de Ciencia e Innovación,dentro del ‘Plan Nacional de i+d+i’ con el proyectocon número de referencia tin2008-06491-c04-02.Parte del trabajo también ha sido financiado confondos del Gobierno de Canarias correspondientes alproyecto pi2007/015. El trabajo de Eduardo Segredoy de Carlos Segura ha sido financiado gracias a lasbecas fpu-ap2009-0457 y fpu-ap2008-03213.Referencias[1] Hervé Meunier, El-Ghazali Talbi, and Philippe Reininger,“A Multiobjective Genetic Algorithm for Radio NetworkOptimization,” in In Proceedings of the 2000 Congresson Evolutionary Computation. 2000, pp. 317–324, IEEEPress.[2] S. P. Mendes, G. Molina, M. A. Vega-Rodríguez, J. A.Gómez-Pulido, Y. Sáez, G. Miranda, C. Segura, E. Alba,P. Isasi, C. León, and J. M. Sánchez-Pérez, “Benchmarkinga Wide Spectrum of Meta-Heuristic Techniques forthe Radio Network Design Problem,” IEEE Trans. Evol.Comput., pp. 1133–1150, 2009.[3] Carlos Segura, Yanira González, Gara Miranda, andCoromoto León, “A Multi-Objective Evolutionary Approachfor the Antenna Positioning Problem,” inKnowledge-Based and Intelligent Information and EngineeringSystems, Rossitza Setchi, Ivan Jordanov, RobertHowlett, and Lakhmi Jain, Eds., vol. 6276 of LectureNotes in Computer Science, pp. 51–60. Springer Berlin /Heidelberg, 2010.[4] Silvio Priem Mendes, Juan A. Gomez Pulido, MiguelA. Vega Rodriguez, Maria D. Jaraiz Simon, and JuanM. Sanchez Perez, “A Differential Evolution Based Algorithmto Optimize the Radio Network Design Problem,”in E-SCIENCE ’06: Proceedings of the SecondIEEE International Conference on e-Science and GridComputing, Washington, DC, USA, 2006, p. 119, IEEEComputer Society.[5] Dong wan Tcha, Young-Soo Myung, and June hyukKwon, “Base Station Location in a Cellular CDMA System,”Telecommunication Systems, vol. 14, no. 1-4, pp.163–173, 2000.[6] El-Ghazali Talbi and Hervé Meunier, “Hierarchical ParallelApproach for GSM Mobile Network Design,” J. ParallelDistrib. Comput., vol. 66, no. 2, pp. 274–290, 2006.[7] E. Alba, “Evolutionary Algorithms for Optimal Placementof Antennae in Radio Network Design,” InternationalParallel and Distributed Processing Symposium,vol. 7, pp. 168, 2004.[8] N. Weicker, G. Szabo, K. Weicker, and P. Widmayer,“Evolutionary Multiobjective Optimization for BaseStation Transmitter Placement with Frequency Assignment,”IEEE Trans. Evol. Comput., vol. 7, no. 2, pp.189–203, 2003.[9] Mohan R. Akella, Rajan Batta, Eric M. Delmelle, PeterA. Rogerson, Alan Blatt, and Glenn Wilson, “BaseStation Location and Channel Allocation in a CellularNetwork with Emergency Coverage Requirements,” EuropeanJournal of Operational Research, vol. 164, no. 2,pp. 301 – 323, 2005.[10] Joshua D. Knowles, Richard A. Watson, and DavidCorne, “Reducing Local Optima in Single-ObjectiveProblems by Multi-objectivization,” in Proceedings of theFirst International Conference on Evolutionary Multi-Criterion Optimization, London, UK, 2001, EMO ’01,pp. 269–283, Springer-Verlag.[11] Carlos Segura, Eduardo Segredo, Yanira González, andCoromoto León, “Multiobjectivisation of the AntennaPositioning Problem,” in International Symposium onDistributed Computing and Artificial Intelligence, AjithAbraham, Juan Corchado, Sara González, and JuanDe Paz Santana, Eds., vol. 91 of Advances in Intelligentand Soft Computing, pp. 319–327. Springer Berlin / Heidelberg,2011.[12] Enrique Alba, Parallel Metaheuristics: A New Class ofAlgorithms, Wiley-Interscience, 2005.[13] C. A. Coello, G. B. Lamont, and D. A. Van Veldhuizen,Evolutionary Algorithms for Solving Multi-Objective Problems, Genetic and Evolutionary Computation.2007.[14] Julia Handl, Simon C. Lovell, and Joshua Knowles, “Multiobjectivizationby Decomposition of Scalar Cost Functions,”in Proceedings of the 10th International Conferenceon Parallel Problem Solving from Nature: PPSN X,Berlin, Heidelberg, 2008, pp. 31–40, Springer-Verlag.[15] Dimo Brockhoff, Tobias Friedrich, Nils Hebbinghaus,Christian Klein, Frank Neumann, and Eckart Zitzler, “DoAdditional Objectives Make a Problem Harder?,” in Proceedingsof the 9th Annual Conference on Genetic andEvolutionary Computation, New York, NY, USA, 2007,GECCO ’07, pp. 765–772, ACM.[16] David A. Van Veldhuizen, Jesse B. Zydallis, and Gary B.Lamont, “Considerations in Engineering Parallel MultiobjectiveEvolutionary Algorithms,” IEEE Trans. Evol.Comput., vol. 7, no. 2, pp. 144–173, 2003.JP2011-74