08.03.2015 Views

Ceo rad - PDF (1.3 MB)

Ceo rad - PDF (1.3 MB)

Ceo rad - PDF (1.3 MB)

SHOW MORE
SHOW LESS

You also want an ePaper? Increase the reach of your titles

YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.

114 Paralelizacija GA za rešavanje nekih NP-kompletnih problema<br />

⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯<br />

Ovaj model favorizuje podelu celokupne populacije na delove, od kojih se svaki<br />

izvršava na nekom od procesa. Susedni procesi povremeno razmenjuju najbolje<br />

jedinke u svojim potpopulacijama, čime se ostvaruju efekti paralelnog<br />

izvršavanja.<br />

Data paralelna implementacija (PGANP) je realizovana korišćenjem MPI<br />

standarda koji u velikoj meri koristi prednosti paralelizacije na višeprocesorskim<br />

računarima sa međuprocesorskom komunikacijom prosleđivanjem poruka. Na<br />

taj način je postalo moguće korišćenje paralelnih konstrukcija visokog nivoa, uz<br />

istovremeno maksimalno očuvanje efikasnosti cele implementacije. Kao<br />

višeprocesorski računar je korišćena mreža PC <strong>rad</strong>nih stanica, koja se pokazala<br />

kao dobar izbor za realizaciju, testiranje i izvršavanje paralelnih aplikacija jer se<br />

postiže puna funkcionalnost uz nisku nabavnu cenu. Pri tome se programski<br />

kod, uz vrlo male izmene, direktno može izvršavati i na nekim mnogo moćnijim<br />

paralelnim računarima.<br />

Keširanje GA je u velikoj meri poboljšalo performanse obe implementacije,<br />

naročito u primeni na NP-kompletne probleme opisane u ovom <strong>rad</strong>u. To je<br />

generalna metoda koja se može primeniti i na ostale NP-kompletne probleme,<br />

kao i veliki broj drugih primena GA. Dodatna prednost keširanja je to što samo<br />

smanjuje vreme izvršavanja genetskog algoritma, a ne utiče na njegove ostale<br />

aspekte. Iako su testirani različiti pristupi, najbolje rezultate u praksi je pokazala<br />

LRU strategija implementirana pomoću dvostruke heš-tabele. Primenom heštabela<br />

je postignuto konstantno O(1) vreme potrebno za operacije pretraživanja,<br />

ažuriranja i dodavanja blokova u keš memoriji, što je teorijski optimum. Pri tome<br />

je više vremena potrebno za inicijalizaciju keširanja, što doprinosi nešto lošijim<br />

rezultatima na instancama manje dimenzije. Međutim, mnogo je značajnije što<br />

je vreme izvršavanja na praktičnim instancama veće dimenzije smanjeno za<br />

više od 20% kod sva tri rešavana problema, a u nekim slučajevima je ušteda<br />

iznosila i do 40%.<br />

Pri rešavanju datih NP-kompletnih problema opisanih u ovom <strong>rad</strong>u,<br />

eksperimentisano je sa nekoliko varijanti operatora selekcije i ukrštanja, a<br />

najbolje rezultate su pokazali selekcija zasnovana na rangu i uniformno<br />

ukrštanje. U najvećem broju slučajeva je mutacija, korišćenjem normalne<br />

raspodele, bila efikasnija od ostalih realizacija operatora mutacije. Nivo mutacije<br />

je određivan u zavisnosti od dimenzije date instance rešavanog problema.<br />

Elitistička strategija se pokazala kao dobar izbor i dobijeni su bolji rezultati u<br />

odnosu na ostale politike zamene generacija (generacijski i stacionarni GA). To<br />

se može objasniti mogućnošću direktnog prenošenja vrednosti jedinki u<br />

narednu generaciju, bez ponovnog poziva vrednosne funkcije. Korišćenjem<br />

dinamičke promene nivoa mutacije i ukrštanja su dobijeni nešto bolji rezultati u<br />

odnosu na njihove konstantne vrednosti tokom generacija, ali su razlike<br />

minimalne i daleko od očekivanih.<br />

Za rešavanje prostog lokacijskog problema se najpogodnijom pokazala<br />

binarna reprezentacija niza potencijalnih lokacija snabdevača, koja u velikoj<br />

meri doprinosi dobrim performansama GA. Funkcija za računanje vrednosti<br />

jedinke je efikasno implementirana u zavisnosti od broja uspostavljenih lokacija<br />

za snabdevače. Ovakav pristup daje odlične rezultate na SPLP instancama sa<br />

više od 1000 potencijalnih lokacija za snabdevače i korisnika. Ova metoda se<br />

izuzetno preporučuje za SPLP instance velike dimenzije koji se ne mogu<br />

unapred uprostiti izbacivanjem neperspektivnih lokacija, i faktičkim<br />

smanjivanjem dimenzije problema koji se rešava. Na takvim instancama sve

Hooray! Your file is uploaded and ready to be published.

Saved successfully!

Ooh no, something went wrong!