1 / 26

TESINA DE LICENCIATURA EN INFORMÁTICA

A LGORITMOS G ENÉTICOS P ARALELOS A PLICADOS A LA R ESOLUCIÓN DE P ROBLEMAS DE A SIGNACIÓN DE F RECUENCIAS EN R EDES C ELULARES. TESINA DE LICENCIATURA EN INFORMÁTICA. CRISTIAN PERFUMO - GERARDO MORA - LUCAS ROJAS ABRIL 2006 Tutores de Tesina: Sergio Nesmachnow José Gallardo.

melvin-hansen
Download Presentation

TESINA DE LICENCIATURA EN INFORMÁTICA

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. ALGORITMOS GENÉTICOS PARALELOS APLICADOSA LA RESOLUCIÓNDE PROBLEMASDE ASIGNACIÓNDE FRECUENCIASEN REDES CELULARES TESINA DE LICENCIATURA EN INFORMÁTICA CRISTIAN PERFUMO - GERARDO MORA - LUCAS ROJASABRIL 2006Tutores de Tesina: Sergio NesmachnowJosé Gallardo

  2. ESTRUCTURA • Introducción. • Algoritmos Genéticos (AG). • Problema de asignación de frecuencias (FAP). • Aplicación de la técnica al problema. • Resultados experimentales. • Conclusiones y trabajos futuros.

  3. INTRODUCCIÓN • Motivaciones • Amplia difusión de AG. • Auge de redes inalámbricas y telefonía celular. • Alta complejidad del problema y gran tamaño de escenarios reales (apropiado para AG). • Ausencia de resultados publicados para MI-FAP utilizando AG (COST259).

  4. INTRODUCCIÓN • Objetivos del trabajo • Comprensión del mecanismo de AG. • Aplicación de AG al problema MI-FAP. • Comparación de versiones secuencial y paralela de AG. • Contraste con resultados obtenidos al aplicar otras técnicas.

  5. ALGORITMOS GENETICOS • Complejidad NP. • Heurísticos vs. Exactos. • Computación Evolutiva. • Conceptos- Individuos. - Población. - Generación. - Operadores genéticos (reproducción y mutación). - Fitness. - Criterios de elección (selección y reemplazo).

  6. ALGORITMOS GENETICOS • Estructura (1) Generar P(0); (2) Generación  0; (3) Mientras No (criterio de parada) hacer (4) Evaluar P(Generación); (5) P. Intermedia  Selección (P(Generación)); (6) P. Intermedia  Cruzamiento (P. Intermedia); (7) P. Intermedia  Mutación (P. Intermedia); (8) P(Generación +1)  Reemplazo (P(Generación), P. Intermedia); (9) Generación  Generación +1; (10) Retornar (Mejor Solución Encontrada); • Aplicaciones

  7. ALGORITMOS GENETICOSPARALELOS (AGP) • Motivación • Clasificación • Modelo de islas • - Subpoblación • - Migración

  8. PROBLEMA DE ASIGNACIÓN DE FRECUENCIAS (FAP) • Comunicaciones inalámbricas. • Conceptos fundamentales • Espectro. • Frecuencia y canal. • Transmisor. • Interferencia y condiciones. • Restricciones.

  9. Transmisor B Transmisor A Transmisor C PROBLEMA DE ASIGNACIÓN DE FRECUENCIAS (FAP) • Descripción del problema

  10. PROBLEMA DE ASIGNACIÓN DE FRECUENCIAS (FAP) • Clasificación • Minimum Order FAP (MO-FAP). • Minimum Span FAP (MS-FAP). • Minimum Blocking FAP (MB-FAP). • Minimum Interference FAP (MI-FAP).

  11. APLICACIÓN DE LA TÉCNICA AL PROBLEMA Representación f Tx Alternativas de función de fitness

  12. IMPLEMENTACIÓN • Lenguaje de programación C++. • Biblioteca MALLBA. • Biblioteca MPI.

  13. EXPERIMENTACIÓN • Variante de AG utilizada: CHC (Cross generational elitist selection, Heterogeneous recombination, and Cataclysmic mutation). • Instancias de prueba (COST259) • TINY(7 celdas, 12 transmisores, 13 canales). • K(264 celdas, 267 transmisores, 50 canales). • SWISSCOM(148 celdas, 310 transmisores, 68 canales). • Disponibles en: http://fap.zib.de/problems/COST259/ • Plataforma de ejecución • Cluster 3 AMD Athlon 3000 64 bits, 2GHz, 1GB RAM. • Interconexión red Ethernet 100 Mbps. • Sistema operativo Linux Open Suse 10. • Universidad de la República, Uruguay.

  14. Calidad de soluciones RESULTADOS

  15. Calidad de soluciones (Tiny). RESULTADOS

  16. Calidad de soluciones (K). RESULTADOS

  17. Calidad de soluciones (Swisscom). RESULTADOS

  18. Tiempos de ejecución RESULTADOS Speedup: Eficiencia computacional: SN = T1 / TN T1 : tiempo serial, TN : tiempo paralelo EN = SN / N

  19. Eficiencia (Tiny). RESULTADOS Speedup = 2.8 Eficiencia computacional = 0.93

  20. Eficiencia (K). RESULTADOS Speedup = 3.55 Eficiencia computacional = 1.18

  21. Eficiencia (Swisscom). RESULTADOS Speedup = 3.13 Eficiencia computacional = 1.04

  22. CONCLUSIONES • Se adquirió conocimiento sobre AG. • Los AG son aplicables a MI-FAP. • Los algoritmos genéticos paralelos nos otorgan grandes beneficios sobre los algoritmos genéticos secuenciales. • No se pudieron igualar los resultados publicados con otros técnicas.

  23. TRABAJOS FUTUROS • Diseñar operadores específicos para MI-FAP. • Experimentar con codificaciones alternativas. • Evaluar el desempeño con otras funciones de fitness. • Experimentar con diferentes variantes de paralelismo. • Abordar el problema con un enfoque multiobjetivo.

  24. Muchas Gracias ¿PREGUNTAS?

  25. DIFICULTADES ENCONTRADAS • Inconveniente administrativo con respecto a la tutoría de un profesor extranjero. • Falta de poder de cómputo para llevar a cabo el proyecto a nivel local. • Esfuerzo económico personal de los integrantes. • Estilo del mecanismo de evaluación. Nos ponemos a disposición para aportar experiencias en pos de sortear a futuro todos estos inconvenientes.

  26. COMENTARIOS FINALES • Gran esfuerzo invertido durante un año y medio de investigación. • Asistencia al CACIC. • Profesionales en el tema. • Tutoría a distancia. • Agradecimientos. • Proyecto de investigación de gran envergadura con el que quedamos muy conformes.

More Related