Метод оптимального статического планирования задач в распределенных вычислительных системах с использованием генетического алгоритма

Рассматриваются методы погружения задач в распределенных системах и исследуются критичные характеристики методов для оптимизации скорости вычислений. Предлагается метод погружения, основанный на генетических алгоритмах, как более эффективный для данной задачи. Описываются экспериментальные результат...

Full description

Saved in:

Bibliographic Details
Date:	2004
Main Authors:	Гаврилюк, А.Б., Алексеев, В.А.
Format:	Article
Language:	Russian
Published:	Інститут програмних систем НАН України 2004
Subjects:	Модели параллельных и распределенных программ: программирование в сетях
Online Access:	https://nasplib.isofts.kiev.ua/handle/123456789/1344
Tags:	Add Tag No Tags, Be the first to tag this record!
Journal Title:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Cite this:	Метод оптимального статического планирования задач в распределенных вычислительных системах с использованием генетического алгоритма / А.Б. Гаврилюк, В.А. Алексеев // Проблеми програмування. — 2004. — N 1. — С. 52-59. — Бібліогр.: 14 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

_version_	1859944991355305984
author	Гаврилюк, А.Б. Алексеев, В.А.
author_facet	Гаврилюк, А.Б. Алексеев, В.А.
citation_txt	Метод оптимального статического планирования задач в распределенных вычислительных системах с использованием генетического алгоритма / А.Б. Гаврилюк, В.А. Алексеев // Проблеми програмування. — 2004. — N 1. — С. 52-59. — Бібліогр.: 14 назв. — рос.
collection	DSpace DC
description	Рассматриваются методы погружения задач в распределенных системах и исследуются критичные характеристики методов для оптимизации скорости вычислений. Предлагается метод погружения, основанный на генетических алгоритмах, как более эффективный для данной задачи. Описываются экспериментальные результаты с применением данного метода.
first_indexed	2025-12-07T16:13:22Z
format	Article
fulltext	Модели параллельных и распределенных программ: программирование в сетях © А.Б. Гаврилюк, В.А. Алексеев, 2004 52 ISSN 1727-4907. Проблемы программирования. 2004. № 1 УДК 681.3 А.Б. Гаврилюк, В.А. Алексеев МЕТОД ОПТИМАЛЬНОГО СТАТИЧЕСКОГО ПЛАНИРОВАНИЯ ЗАДАЧ В РАСПРЕДЕЛЕННЫХ ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМАХ С ИСПОЛЬЗОВАНИЕМ ГЕНЕТИЧЕСКОГО АЛГОРИТМА Рассматриваются методы погружения задач в распределенных системах и иссле- дуются критичные характеристики методов для оптимизации скорости вычислений. Предлагается метод погружения, основанный на генетических алгоритмах, как более эффективный для данной задачи. Описываются экспериментальные результаты с применением данного метода. Введение В настоящее время для решения достаточно сложных задач не хватает мощности одиночных процессоров, не- смотря на довольно большие величины, выражаемые в гигагерцах и сотнях ме- гафлопсов (мегафлопс – 1 миллион операций с плавающей запятой в се- кунду). Приведем несколько направле- ний, где необходима высокая мощ- ность вычислительных систем: • моделирование сложных хи- мических или физических процессов, • векторно-матричные вычис- ления, • обработка 3D графики, • хранилища информации… Существуют два пути повыше- ния производительности вычислитель- ных комплексов: • повышение частотных воз- можностей элементной базы, • увеличение количества одно- временно работающих вычислителей в системе. Недостаток первого в том, что повышение частоты процессора огра- ничено размером кристалла и, судя по всему, производители уже подошли к границе использования данного мето- да. Так что для решения задач высокой сложности данный метод не может эффективно использоваться. Второй путь приводит к необхо- димости разработки эффективного па- раллельного алгоритма задачи, а также задачи оптимального планирования и отображения параллельного алгоритма в структуру вычислительной системы. По аппаратным особенностям, для ре- шения задачи параллельного вычисле- ния алгоритма более удобны распреде- ленные системы. Обычно параллельные системы подразумевают использование одина- ковых по параметрам процессоров, быстрых каналов передачи данных или даже полносвязных соединений, доро- гое ПО. В противовес этому возможно на основе недорогих компьютеров бизнес-класса создать систему, которая сможет с такой же эффективностью параллельно обрабатывать данные. Удобством этих систем является воз- можность использования неоднород- ных по производительности процессо- ров и связей между ними, реконфигу- рирование системы по мере надобно- сти. В данном случае возникают опре- деленные сложности при решении за- дач оптимального планирования парал- лельного алгоритма. Для эффективной работы парал- лельной программы на распределенной системе необходим адаптивный алго- ритм, которому приходится решать NP- полную задачу планирования задач на ресурсы системы. В общем виде математическое решение для данных задач на современных компьютерах может занимать от нескольких десятков минут до нескольких месяцев. Поэтому для решения этих проблем используют эвристические подходы. Учитывая, что исходная задача задана в виде ориентированного ациклического графа в ярусно-параллельной форме, Модели параллельных и распределенных программ: программирование в сетях 53 ярусно-параллельной форме, их можно формализовать в три группы: • списочные; • кластерные; • генетические. Списочное планирование [1, 4, 5, 10] эффективно только для систем с общей шиной или однородных полно- связных систем. Работа алгоритма за- ключается в формировании списка очереди готовых вычислительных за- даний с помощью одного из эвристи- ческих методов и затем оптимального, имея в виду пересылки данных, назна- чения очереди вычислительных работ на свободные процессоры. Две эти за- дачи решаются независимо одна от другой, что приводит к неэффективно- сти вычислений. Кластерное планирование [2, 7, 9] в чистом виде применяется только для систем, где нет ограничений на выде- ляемые ресурсы, или в масштабируе- мых вычислительных системах. Зада- ния из исходного графа делятся на группы (кластеры). Этот процесс назы- вается кластеризацией, и его решение в общем виде имеет экспоненциальную временную сложность. Задания одной группы (кластера) выполняются на од- ном процессоре. Особенность генетического пла- нирования [11—14] заключается в воз- можности решения задач планирова- ния и назначения нераздельно одна от другой, это приводит к уменьшению сетевого трафика и оптимальной за- грузки процессоров в системе. В ре- зультате эффективность использования процессоров выше, а время решения задачи приближается к критическому (идеальному без учета пересылок). Исследование основных проблем планирования и способы их решения При решении проблемы плани- рования задачу планирования алгорит- ма приходится решать в пространст- венно-временных координатах [6—9], причем временные координаты – это планирование времени выполнения ка- ждой подзадачи и пространственные – оптимальное погружение подзадач на вычислитель (процессор) системы. Дан- ная задача является NP-полной и ре- шается эвристическими методами, ка- чество которых может как угодно близко стремиться к идеальному, но никогда не достигнет его. Исходными данными для алго- ритмов планирования являются: • параллельный алгоритм; • параметры вычислительной системы. Параллельный алгоритм пред- ставлен в виде ациклического графа (рис. 1), в котором вес вершины Тз под номером Nз обозначает вычислитель- ную сложность подзадачи, а вес дуги Tп – объем данных для пересылки в адресное пространство другой задачи. Коэффициент квантования веса вер- шин и дуг является переменной вели- чиной, соразмерной с зернистостью алгоритма задачи. Параметрами вычислительной системы являются: • характеристика узла системы (вычислителя); • тип; • топология. В данной статье рассмотрим не- однородные вычислительные системы. Таким образом, тип вычислительной системы является распределенным, то- пология – конфигурируемой и роба- стной. Характеристиками узла системы являются: • производительность процес- сора (количество тактов в единицу времени); • количество физических кана- лов пересылки данных (линков); • скорость передачи данных по линкам (количество единиц информа- ции в единицу времени) и возмож- ность пересылки в разных направле- ниях (дуплексные и полудуплексные); • возможность одновременного выполнения вычислений и пересылок. Вычислительная система задает- ся в виде графа (рис. 2), на котором Nп – номер процессора, Sп – скорость процессора в квантах вычислений. Па- раметры физических каналов пересыл- ки задаются в виде Sл – скорости свя- Модели параллельных и распределенных программ: программирование в сетях 54 зи в количестве квантов данных, кото- рые могут передаться за 1 квант вре- мени. Таким образом, планировщик с учетом всех вышеперечисленных тре- бований должен решать одновременно две задачи: выполнять оптимальную по скорости загрузку процессоров систе- мы и в то же время минимизировать время ее простоя, затрачиваемое на пересылки готовых данных между под- задачами. В этом и заключается основная проблема планирования, решением ко- торой является сведение двух задач к одной. Идеально для этого подходят эволюционные или генетические алго- ритмы, которые являются частным случаем вероятностных алгоритмов. Особенность их в том, что существует возможность поиска оптимума в мно- гокритериальных системах. Генетиче- ские алгоритмы позволяют найти гло- бальный оптимум в многокритериаль- ной системе, причем сложность реше- ния будет линейной. Будет позволи- тельно заметить, что данное семейство алгоритмов идеально подходит для ре- шения поставленной задачи и оптими- зации планирования. Согласно выбранному критерию генетический алгоритм должен обеспе- чивать минимальное время выполнения указанных задач на вычислительной системе, заданной топологии. Критическое время Tкритич – минимальное время выполнения па- раллельного алгоритма, которое не учитывает затрат при пересылках дан- ных и таким образом является идеаль- ным, но в большинстве случаев недос- тижимым из-за того, что в реальной ситуации не удается избежать пересы- лок данных. Исключениями могут быть те случаи, когда удается частично из- бежать пересылок посредством назна- чения связанных процессов, находя- щихся на критическом пути, на один и тот же процессор, а остальные пере- сылки выполнять без потери времени, зарезервированного за счет параллель- ной реализации процессов. С другой стороны, максимальное время выпол- нения задачи в любой системе – это время ее на одном процессоре Tпослед. В этом случае пересылки данных от- сутствуют и время определяется как сумма вычислительных сложностей каждого процесса алгоритма. Поэтому величина реального минимального времени выполнения алгоритма Tреальн всегда находится в следующем диапазоне: Tкритич ≤ Tреальн ≤ Tпослед, для его достижения алгоритм планиро- вания должен обеспечить минималь- ную суммарную задержку начала ис- полнения для всех процессов. Основные этапы работы генетического алгоритм. Генетические алгоритмы являют- ся одними из эволюционных алго- Nз/Тз Nз/Тз Nз/Тз Nз/Тз Tп Tп Tп Tп Рис. 1. Граф задачи Nп/Sп Nп/Sп Nп/Sп Sл Sл Sл Рис. 2. Граф системы Модели параллельных и распределенных программ: программирование в сетях 55 ритмов, применяемых для поиска гло- бального экстремума функции многих переменных. Принцип их работы ос- нован на моделировании некоторых механизмов популяционной генетики (рис. 3): манипулирование хромосом- ным набором при формировании гено- типа новой биологической особи путем наследования участков хромосомных наборов родителей (кроссовер) и слу- чайное изменение генотипа, известное в природе как мутация. Другим важ- ным механизмом, заимствованным у природы, является процедура естест- венного отбора, направленная на улучшение от поколения к поколению приспособленности членов популяции путем большей способности к "выжи- ванию" особей, обладающих опреде- ленными признаками. Реализацию ба- зового генетического алгоритма можно представить как итерационный про- цесс, включающий несколько этапов. Генетический алгоритм случай- ным образом генерирует начальную популяцию структур {X1, …, Xn}, каж- дая из которых должна однозначно отображать решение задачи. Каждая из структур или особей представляет со- бой одномерный или многомерный массив, на основании значений которо- го вычисляется значение целевой функции, например время работы па- раллельного алгоритма, которая и оп- ределяет качество каждого из решений. Далее проводится кроссовер или скрещивание особей. Он может быть одноточечным, многоточечным или равномерным. При кроссовере случай- ным образом берутся биты из одной и другой структуры и заносятся в тре- тью, которая и заменяет одну из них (рис. 4). Математический смысл данной операции – позиционирование реше- ния внутри многокритериального про- странства признаков. После кроссовера происходят мутации структур или случайным об- разом и со случайной вероятностью замена некоторых битов, это уменьша- ет скорость сходимости алгоритма, но при этом и вероятность попадания ре- шения в точку локального минимума. Некоторые из генетических алгорит- мов не используют мутации. При каждой итерации рассчиты- вается целевая функция по каждой из структур F(Xi), x = 1, ..., n, которая опре- деляет качество каждой из особей по- пуляции. Несколько самых лучших особей отбираются и заносятся в элит- ный фонд. Метод элиты применяется для того, чтоб в процессе исследования не ухудшить качество решения. Далее итерационный процесс повторяется, пока не будет достигнут критерий ос- тановки. После окончания работы ал- горитма достигается максимум целевой функции, который и будет искомым. Мутация Создание начальной популяции Скрещивание (кроссовер) Отбор Ответ Переход к новому поколению Рис 3. Схема работы генетического алгоритма [А1][В2][В3][А4][А5][А6][А7] [A1][A2][A3][A4][A5][A6][A7] [B1][B2][B3] [B4][B5][B6][B7] Рис. 4. Кроссовер Модели параллельных и распределенных программ: программирование в сетях 56 Хотя модель эволюционного раз- вития, применяемая в генетических ал- горитмах, сильно упрощена по сравне- нию природным аналогом, тем не ме- нее она является достаточно мощным средством и может с успехом приме- няться для широкого класса приклад- ных задач, включая те, которые труд- но, а иногда и вовсе невозможно, ре- шить другими методами. Функциональное описание генетического алгоритма планирования графа задачи на произвольную структуру вычислительной системы Рассмотрим шаги генетического алгоритма погружения параллельной задачи в распределенную вычисли- тельную систему. 1. Генерируется случайным об- разом N генотипов планирования граф (рис. 5). Как видно, индекс каждой ячейки массива – это номер вершины в графе задачи, а значение в ячейке – т номер процессора, на котором дан- ная подзадача будет выполняться. 2. Строится матрица маршрути- зации пакетов с данными внутри сис- темы (рис. 6). Для определения крат- чайшего пути используется метод Дей- кстры, но возможно использовать лю- бой другой. Каждая ячейка в матрице содержит два значения: время пере- сылки из вершины-источника (по го- ризонтали) к вершине-приемнику (по вертикали), номер следующей верши- ны на пути к заданной. 3. Осуществляется равномерный кроссовер всех хромосом со случай- ным образом выбранной из списка или в математическом выражении много- точечная аппроксимация между точка- ми локальных оптимумов. 4. Осуществляется мутация всех хромосом с вероятностью Pm, вероят- ность является величиной переменной и зависит от необходимости скорости сходимости алгоритма. Выполняется случайное изменение значений для по- иска глобального экстремума. 5. Вычисляется целевая функция для всех генотипов. На основании пла- нировки, приоритетов пересылки и вычислений определяется время вы- полнения, которое и является целевой функцией алгоритма: а) сортируются все вершины по их приоритетам. Высший приоритет получает задача, которая находится на Приоритет 1-10 Приоритет 1-10 № вершины (1) № вершины (n) Хромосома 2 № процессора № процессора № вершины (1) № вершины (n) Хромосома 1 Генотип Рис. 5. Генотип системы 1 2 3 … 1 2 3 … 1. Время пересылки из вершины-источника к вершине- приемнику. 2. Номер следующей вершины на пути. Рис. 6. Матрица маршрутизации пакетов Модели параллельных и распределенных программ: программирование в сетях 57 более высоком ярусе графа; б) сортируются задачи по при- оритетам пересылок данных из них. Приоритеты пересылок соответствуют приоритетам задач, для которых нуж- ны вычисленные данные; в) пока все вершины не выпол- нены, осуществляется: — поиск не выполненной вер- шины, для которой получены все дан- ные и процессор которой не был занят при текущем событийном цикле. Время выполнения вершины рассчитывается по формуле Tp = max (TPнач, Tpнач)+Tз/Sп; (1) где Tp – время, с которого процессор может начать выполнять следующую задачу, окончив эту; TPнач – начало выполнения за- дачи в квантах времени; Tpнач – время, с которого про- цессор может начать выполнять задачу; Tз – время выполнения задачи; Sп – скорость процессора. Маскируем процессор так, чтобы он снова не использовался для обра- ботки новой задачи при текущем цикле исполнения; — пересылка пакета/пакетов го- товых данных по маршруту, который выбирается из матрицы маршрутиза- ции. После пересылки время, когда по этой связи можно переслать другой пакет, вычисляется по формуле Tл = max (TЛнач, Tпакета) + D*Sл; (2) где Tл – время, когда по этой связи можно переслать другой пакет; TЛнач – время, когда по этой связи можно начать пересылать пакет; Tпакета – время, когда можно начать пересылать пакет; D – объем данных в пакете; Sл – скорость связи: чем больше значение, тем медленнее связь. Если пересылки осуществляются не по дуплексной связи, то время, ко- гда по ней возможно переслать другой пакет увеличивается в обе стороны, если связь дуплексная, то только в сторону пересылки пакета. Пока пакет данных не дошел до приемника, повто- ряем итерации; – для подзадачи, которая полу- чила пакет данных, время начала вы- полнения задачи рассчитывается по формуле TPнач = max (TPнач, Tпакета); (3) — осуществляется переход на два шага назад, пока все вершины не будут промоделированы; г) время выполнения алгоритма выбирается максимальным из времени, завершения выполнения задач на про- цессорах (4): Tвып = max (Tp1,…,Tpn); (4) где Tвып – время выполнения парал- лельного алгоритма, искомая целевая функция; Tp1, …, Tpn – время завершения задач на процессорах. 6. Если это первая итерация, то сравниваются целевые функций и M < N лучших структур заносим в отдельный массив. Они используются для того, чтобы решение в процессе итераций не ухудшилось. Если это не первая итерация, то “привилегированные” структуры также участвуют в процессе сравнения. 7. Сортируются индексной сор- тировкой список структур и M послед- них худших структур заменяются на M структур, которые являются элитным решением. 8. С определенной периодично- стью уничтожаются идентичные струк- туры, процесс выбора элитных струк- тур приводит к созданию идентичных структур и попаданию решения в ло- кальный экстремум. 9. Пока не закончилось число эпох (циклов алгоритма) или не дос- тигнуто оптимальное для данной зада- чи решение, переходим на шаг 3. Экспериментальные результаты Разработана программа для экс- периментального исследования резуль- татов работы предлагаемого алгоритма, при помощи которой промоделировано решение задачи планирования. Модели параллельных и распределенных программ: программирование в сетях 58 Исследование проводилось с це- лью выявления тех областей входных данных, при которых предлагаемый ал- горитм дает наиболее оптимальный ре- зультат. При этом генерировались про- извольные графы задач, которые варь- ировались и классифицировались по следующим параметрам: • соотношение величины сред- ней вычислительной сложности про- цессов в графе задачи (Tвып) и усред- ненного значения времени пересылок (Tперес): A = Tвып/Tперес; (5) • размерность матриц графов задач. В качестве критерия оценки вы- ступал так называемый коэффициент эффективности (Кэ), который вычис- лялся как соотношение времени вы- полнения задания (Твып) и критическо- го времени (Ткрит): Кэ = Tвып/Tкрит. (6) В табл. 1 и 2 даны результаты планирования. Таким образом, можно заметить, что качество работы алгоритма не за- висит от сложности задачи. Высокое значение Кэ при низкой связности за- дач определяется тем, что возможно не хватает процессоров для одновремен- ного выполнения задач. При связности 50/50 качество планирования стремит- ся к идеальному. Выводы Предложен новый алгоритм пла- нирования на основе семейства гене- тических алгоритмов. Определено, что качество работы алгоритма близко к идеальному (полного перебора), при- чем сложность алгоритма возрастает Таблица 1. Результаты статистического планирования графов задач на 9-процессорную полносвязную систему Количество задач в графе параллельного алгоритма A 10 30 50 70 90 110 90/10 1.01 1.07 1.51 1.84 1.99 2.60 80/20 1.01 1.05 1.16 1.35 1.64 1.76 70/30 1.02 1.05 1.11 1.27 1.38 1.53 60/40 1.00 1.04 1.09 1.18 1.25 1.35 50/50 1.01 1.05 1.09 1.15 1.17 1.28 Таблица 2. Результаты статистического планирования графов задач на 16-процессорную полносвязную систему Количество задач в графе параллельного алгоритма А 20 40 60 80 100 120 90/10 1.01 1.12 1.38 1.29 1.85 1.62 80/20 1.04 1.03 1.12 1.23 1.40 1.28 70/30 1.04 1.09 1.12 1.17 1.28 1.19 60/40 1.04 1.07 1.10 1.15 1.25 1.22 50/50 1.04 1.08 1.10 1.14 1.11 1.18 Модели параллельных и распределенных программ: программирование в сетях 59 линейно со сложностью задачи. Дан- ный алгоритм является универсальным и ориентирован для работы с распре- деленными и конфигурируемыми вы- числительными системами. При не- большой доработке данный алгоритм возможно использовать для динамиче- ского планирования. 1. Русанова О.В., Нагорнюк В.В. Двухпроход- ной эвристический алгоритм планирования и отображения для систем с распределен- ной памятью // Вестник НТУУ "КПИ" "Ин- форматика, управление и вычислительная техника”. – 1998. – №31. – C. 238—251. 2. Князькова З.В., Симоненко В.П. Метод на- правленного поиска при статистическом планировании задач в распределенных вычислительных системах // Пробл. про- граммирования. – 2002. – №1—2. – C. 247—252. 3. Grench V. Массовые параллельные компью- теры // Computer World. – 1994. – 157. – С. 53—58. 4. Луцкий Г.М., Русанова О.В. Проблемы ото- бражения и планирования транспьютерных систем // 1-я Междунар. конф по парал- лельной обработке и прикладной матема- тики PRAM’94. – Czestochowa, 1994. – P. 77—83. 5. Berman F. Experience with an automatic solu- tion to the mapping problem // The Charac- teristics of Parallel Algorithms, MIT Press, Cambridge, MA, 1987. – P. 307—334. 6. Bokhari S.H. On the mapping problem // IEEE Trans. Comput. – 1981. – C-30. – P. 207—214. 7. Kramer O., Muhlenbein H. Mapping strategies in message based multiprocessor systems // Lecture Notes in Computer Science. – 1987. – 158. – P. 213—225. 8. Shen H., Occam H. Implementation of process- to-processor mapping on the Hathi-2 transputer system // Microprocessing and Micropro- gramming—1991/1992. – 33. – P. 173—189. 9. Shen H. Self-adjusting mapping: a heuristic mapping algorithm // Developing Transputer Applications, Amsterdam, IOS. – 1989. – P. 89—98. 10. McFarland M., Parker A., Composano R. Tuto- rial on high-level synthesis // Proc. 25th Design Automation Conference. ACM and IEEE. – 1988. – P. 330—336. 11. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г.К. Вороновкий, К.В. Махо- тило, С.Н. Петрашев, С.А. Сергеев. – ОСНОВА – 1997. – 112 с. – http://neuro- school.narod.ru/books/gannvirt.zip. 12. Исаев С.A. Популярно о генетических алго- ритмах. – http://softlab.od.ua/algo/neuro/- ga-pop/index.htm. 13. Батищев Д.И., Исаев С.А. Оптимизация многоэкстремальных функций с помощью генетических алгоритмов. – http://- softlab.od.ua/algo/neuro/ga-opt1/index.htm. 14. Исаев С.А. Генетические алгоритмы – эво- люционные методы поиска. – http://- softlab.od.ua/algo/neuro/ga-detail/index.htm. Об авторах Гаврилюк Александр Борисович аспирант Алексеев Виктор Анатолиевич канд. техн. наук, зав 19 отделом Инсти- тута программных систем Место работы авторов: Институт программных систем НАН Украины, просп. Академика Глушкова, 40, г. Киев-187, 03187, Украина Тел. (044) 266 6321, (044) 266 4228 E-mail: alife-soft@yandex.ru, avictor@d19.isofts.kiev.ua
id	nasplib_isofts_kiev_ua-123456789-1344
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn	1727-4907
language	Russian
last_indexed	2025-12-07T16:13:22Z
publishDate	2004
publisher	Інститут програмних систем НАН України
record_format	dspace
spelling	Гаврилюк, А.Б. Алексеев, В.А. 2008-07-25T16:00:54Z 2008-07-25T16:00:54Z 2004 Метод оптимального статического планирования задач в распределенных вычислительных системах с использованием генетического алгоритма / А.Б. Гаврилюк, В.А. Алексеев // Проблеми програмування. — 2004. — N 1. — С. 52-59. — Бібліогр.: 14 назв. — рос. 1727-4907 https://nasplib.isofts.kiev.ua/handle/123456789/1344 681.3 Рассматриваются методы погружения задач в распределенных системах и исследуются критичные характеристики методов для оптимизации скорости вычислений. Предлагается метод погружения, основанный на генетических алгоритмах, как более эффективный для данной задачи. Описываются экспериментальные результаты с применением данного метода. ru Інститут програмних систем НАН України Модели параллельных и распределенных программ: программирование в сетях Метод оптимального статического планирования задач в распределенных вычислительных системах с использованием генетического алгоритма Article published earlier
spellingShingle	Метод оптимального статического планирования задач в распределенных вычислительных системах с использованием генетического алгоритма Гаврилюк, А.Б. Алексеев, В.А. Модели параллельных и распределенных программ: программирование в сетях
title	Метод оптимального статического планирования задач в распределенных вычислительных системах с использованием генетического алгоритма
title_full	Метод оптимального статического планирования задач в распределенных вычислительных системах с использованием генетического алгоритма
title_fullStr	Метод оптимального статического планирования задач в распределенных вычислительных системах с использованием генетического алгоритма
title_full_unstemmed	Метод оптимального статического планирования задач в распределенных вычислительных системах с использованием генетического алгоритма
title_short	Метод оптимального статического планирования задач в распределенных вычислительных системах с использованием генетического алгоритма
title_sort	метод оптимального статического планирования задач в распределенных вычислительных системах с использованием генетического алгоритма
topic	Модели параллельных и распределенных программ: программирование в сетях
topic_facet	Модели параллельных и распределенных программ: программирование в сетях
url	https://nasplib.isofts.kiev.ua/handle/123456789/1344
work_keys_str_mv	AT gavrilûkab metodoptimalʹnogostatičeskogoplanirovaniâzadačvraspredelennyhvyčislitelʹnyhsistemahsispolʹzovaniemgenetičeskogoalgoritma AT alekseevva metodoptimalʹnogostatičeskogoplanirovaniâzadačvraspredelennyhvyčislitelʹnyhsistemahsispolʹzovaniemgenetičeskogoalgoritma

Метод оптимального статического планирования задач в распределенных вычислительных системах с использованием генетического алгоритма

Institution

Similar Items