یک مدیریت و جایگذاری منبع جامع برای مجازی سازی عملکرد شبکه

A Comprehensive Resource Management and Placement for Network Function Virtualization

Abstract

Abstract: Network service providers have to cope with the growing on-demand need from end-users as well as the diversity of usage. The softwerization and cloudification of the network components offer an interesting solution to achieve the agility necessary to dynamically match the requirement with the level of resource consumption. This materializes with the deployment of Network Functions Virtualization (NFV) where Virtual Network Functions (VNFs) may be chained together to create network services. This paper explores important design and architectural issues related to this approach. We study the resource allocation problem in an NFV system for minimizing its cost under constraints on interconnectivity among VNFs, system resources, and service requirements. We formalize the problem in a comprehensive manner taking into account a broad set of relevant parameters. The static (offline) and dynamic (online) cases are considered. We propose and analyze three heuristic algorithms: two for handling large dimensions of the offline problem and one designed to address the online scenario. The evaluation shows that our solutions outperform the state of the art [1] with respect to critical performance index. Finally, we focus on the online scenario, evaluate the impact of migrating a set of running demands, and propose a simple migration technique.

1 Introduction

Softwerization of network components is a candidate to provide the agility requested by the increasing on-demand need of customers as well as the ability to gently match those needs with the resource consumption. This trend is achieved by using a cloud approach where virtualization techniques are intensively exploited. Although this trend is prevalent, it is still necessary to better understand the right level of abstraction and hence performance that will be made possible with this approach. NFV relying upon virtualization techniques should support network operators to meet the growing customer requirements while controlling capital and operational expenditures.

In order to enable such an agile solution, a network service can be decomposed into an ordered sequence of VNFs (Virtual Network Functions), which can run on several standard physical nodes. Therefore, the resources allocated to a VNF instance will impact the capacity and performance of the network service as a whole. This raises important issues related to NFV deployment such as: 1) How and where to locate and chain VNFs? 2) How to distribute resources to VNFs? and 3) What is the cost of NFV deployment in a network? Such problems are different from the VM placement optimization in cloud computing as VNFs are associated with a single network service. In this paper, we consider a joint problem of VNFs allocation upon service requests from users and routing paths for chaining them. We develop a comprehensive solution addressing the static and dynamic scenario, when taking into account the execution order of VNFs in a service demand with regard to resource constraints for nodes and links.

The major contributions of this paper are as follows:

• We formulate the optimization problem of VNF placement as a quadratic program (QP) solving multiple objectives including optimal service location and optimal routing among VNF instances of a network service, under both resource and traffic cost constraints, simultaneously optimizing the acceptance ratio of new demands. Both the static and dynamic problems are considered.

• We propose three efficient heuristics for large dimensions of the problem within an acceptable computation time.

• We evaluate our proposed solutions in various scenarios and compare it against the ProvisionTraffic (PT) algorithm [1] that illustrates the state of the art, as well as a Random Algorithm.

• We provide a cost comparison between a network relying on NFV and a network that does not use NFV and discuss some architectural implications.

• We also propose a simple migration technique for the dynamic problem.

The result provides guidelines for the percentage of traffic to be migrated in order to achieve the best gain. The rest of this paper is organized as follows. Section II reviews the related work. In Section III, we model the NFV system under study and formalize the NFV placement problem. We present our solutions in Section IV. In Section V, we validate the algorithms and discuss the results. Section VI concludes the paper.

جست و جوی متغیر محلی بر اساس الگوریتم ممتیک برای مسئله توازن بار در رایانش ابری

A Variable Local Search Based Memetic Algorithm for the Load Balancing Problem in Cloud Computing

چکیده :
متعادل کننده بار (LB) یک مسئله مهم و چالش برانگیز بهینه سازی در محاسبات ابری است . متعادل کننده بار شامل اختصاص مجموعه ای از خدمات به مجموعه ای از ماشین آلات برای بهینه سازی کاربردهای دستگاه است . این مطالعه یک الگوریتم ممتیک (MA) برای مسئله متعادل کننده بار ارائه می دهد . الگوریتم ممتیک یک روش ترکیبی است که ترکیبی از قدرت الگوریتم های تکاملی بر اساس تعداد با جستجوی محلی می باشد. با این حال اثر الگوریتم ممتیک به طور عمده به روش جستجوی محلی انتخاب شده برای الگوریتم ممتیک بستگی دارد. به این دلیل که روش انجام جستجوی محلی متفاوت برای موارد مختلف و تحت مراحل مختلف جستجو وجود دارد . علاوه بر این، با استناد به جستجوی محلی در هر تولید می توان ظرفیت را جستجو کرد . برای رسیدگی به این مسائل، این مطالعه پیشنهاد یک الگوریتم محلی ممتیک با جستجو بر اساس متغیر در زمینه مسئله متعادل کننده بار ارائه می دهد . متحرک پیشنهادی با استفاده از چند مکانیزم جستجوی محلی عمل می کند. هریک هدایت یک منطقه مختلف در فضای جستجو را با استفاده از مکانیزم های مختلف جستجو انجام می دهند که می تواند با یک مسیر جستجوی متفاوت با الگوریتم ممتیک محلی متمایز شود. این نه تنها به جستجو برای جلوگیری از گرفتار شدن در دام یک نقطه بهینه محلی کمک می کند، همچنین می تواند به طور موثر با ویژگی های مختلف جستجو چشم انداز و تغییرات پویا مسئله برخورد کند. علاوه بر این، یک شاخص تنوع برای کنترل فرآیندهای جستجوی محلی برای تشویق تنوع راه حل به تصویب رسیده است. روش الگوریتم ممتیک این است که در موارد مسئله دستگاه تغییر پیشنهادی گوگل برای ROADEF/ EURO 2012 مورد بررسی قرار گرفته است. در مقایسه با حالت روش پیشرفته ، روش ما به بهترین عملکرد در بسیاری از موارد دست می یابد، اثربخشی متغیر محلی الگوریتم ممتیک بر اساس جستجو برای مسئله متعادل کردن بار نشان داده شده است .

1 . مقدمه
رایانش ابری یک تکنولوژی در حال رشد سریع فراهم می کند که خدمات تقاضای محاسبات بر روی اینترنت را فراهم می کند [3،6]. این دسترسی به شبکه منابع محاسباتی قابل تنظیم از جمله ذخیره سازی، پردازش، پهنای باند و حافظه است که به اشتراک گذاشته شده . ارائه دهنده گان ابر مانند گوگل و آمازون، مدیریت یک مرکز داده است که منابع محاسباتی هستند و با کاربران نهایی به اشتراک گذاشته می شود. با رشد سریع تقاضا در خدمات ابر، تخصیص منابع بهینه یکی از اهداف مهم در محاسبات ابری می باشد [6] .
توازن بار (LB) یکی از منابع ابر است و وظیفه تخصیص بهترین آرایش خدمات به مجموعه ای از ماشین آلات را دارد ، به طوری که استفاده از این دستگاه می تواند موجب بهبود عملکرد گردد . در این مقاله، ما مسئله متعادل کننده بار توسط گوگل برای ROADEF/ EURO 2012 را در نظر گرفته ایم [1]. این کار به عنوان ماشین تغییر مسئله (MRP) معرفی شده است . هدف از MRP به منظور بهبود استفاده از منابع توسط تخصیص مجدد مجموعه ای از فرآیندها به مجموعه ای از ماشین آلات است، در حالی که تمام محدودیت های مسئله باید راضی کننده باشد . طیف وسیعی از روش ها برای حل MRP ارائه شده است . این خدمات عبارتند از جستجو متغیر محله [8]، برنامه نویسی مبتنی بر محدودیت جستجوی محلی بزرگ [15]، جستجو های بزرگ محله [4]، چند شروع تکرار جستجوی محلی [14]، شبیه سازی سفت و سخت [20] و محدوده تکرار جستجوی محلی [13] .
در این مطالعه، ما یک روش الگوریتم ممتیک (MA) مبتنی بر این مسئله تعادل بار ارائه داده ایم . الگوریتم ممتیک روش جستجو بهینه سازی تصادفی که ترکیبی از الگوریتم بر اساس تعداد با جستجوی محلی است . منطق الگوریتم ممتیک قدرت شناسایی الگوریتم های مبتنی بر تعداد با قابلیت بهره برداری از جستجوی محلی است [16]. الگوریتم ممتیک در حل مسائل سخت بهینه سازی مختلفی بسیار موفق نشان داده است [17] . با این حال موفقیت الگوریتم ممتیک خودکار نمی باشد [21،22،25]. دو جنبه مهم که باید در هنگام طراحی الگوریتم ممتیک برای یک مسئله خاص در نظر گرفته شود وجود دارد [18]. در مرحله اول، انتخاب جستجوی محلی مهم است . عملکرد الگوریتم ممتیک به شدت به انتخاب الگوریتم جستجوی محلی بستگی دارد. برای یک جستجوی محلی با ویژگی های متنوع ، موارد مختلف و مسئلهات مختلف بسیار دشوار است. حتی برای همان نمونه، مشخصه از فضای جستجو تحت مراحل مختلف ممکن است به طور چشمگیری متفاوت باشد[24]. که باعث می شود انتخاب روش جستجوی محلی دشوار و بحرانی گردد. در مرحله دوم، الگوریتم ممتیک اغلب با چالش چگونگی حفظ تنوع از یک فرایند جستجو مواجه است [23] . استفاده بیش از حد از جستجوی محلی ممکن است بیشتر محاسبات و اطلاعات را به خطر بیندازد . برای پرداختن به این دو موضوع، ما یک جستجوی محلی مبتنی بر الگوریتم ممتیک متغیر ارائه داده ایم . این ترکیب الگوریتم ژنتیک (الگوریتم پیشرفته) با الگوریتم های جستجوی محلی متعدد است که در آن هر کس می تواند یک منطقه مختلف در فضای حرکت جستجو کند . مکانیزم های مختلف جستجو می تواند با یک مسیر در جستجو های مختلف با الگوریتم ممتیک محلی متمایز شود . علاوه بر این یک شاخص تنوع به تصویب رسیده برای کنترل جستجوی محلی برای جلوگیری از تنوع در تعداد راه حل های ایجاد شده است. با روش ارائه شده، بدون نیاز به بررسی ماهیت یک مسئله تعادل بار و انتخاب یک جستجوی محلی مناسب برای این مسئله وجود دارد. نیاز به تنظیم جستجوی محلی نیز در روش الگوریتم ممتیک ضروری بیان شده است.
الگوریتم پیشنهادی در موارد مسئله در مقیاس کوچک و بزرگ دستگاه و تغییر ROADEF/ EURO 2012 مورد بررسی قرار گرفته است. برای مقایسه، حالت الگوریتم پیشرفته برای این چالش نیز در بخش 2 گنجانده شده است . متغیر محلی بر اساس جستجو الگوریتم ممتیک در بخش ارائه 3 شده است . بخش 4 تنظیمات آزمایش را نشان می دهد در حالی که نتایج به دست آمده در بخش 5 ذکر شده است . بخش 6 نتیجه این مطالعه است.

Abstract.

Load balancing (LB) is an important and challenging optimisation problem in cloud computing. LB involves assigning a set of services into a set of machines for which the goal is to optimise machine usages. This study presents a memetic algorithm (MA) for the LB problem. MA is a hybrid method that combines the strength of population based evolutionary algorithms with local search. However the effectiveness of MA mainly depends on the local search method chosen for MA. This is because local search methods perform differently for different instances and under different stages of search. In addition, invoking local search at every generation can be computationally expensive and compromise the exploration capacity of search. To address these issues, this study proposes a variable local search based MA in the context of LB problem. The proposed MA uses multiple local search mechanisms. Each one navigates a different area in search space using a different search mechanism which can leads to a different search path with distinct local optima. This will not only help the search to avoid being trap in a local optima point, but can also effectively deal with various landscape search characteristics and dynamic changes of the problem. In addition, a diversity indicator is adopted to control the local search processes to encourage solution diversity. Our MA method is evaluated on instances of the Google machine reassignment problem proposed for the ROADEF/EURO 2012 challenge. Compared with the state of the art methods, our method achieved the best performance on most of instances, showing the effectiveness of variable local search based MA for the Load Balancing problem.

1 Introduction

Cloud computing is a fast growing technology that provides on-demand computing services over the Internet [3,6]. It offers network access to a various shared pool of configurable computing resources including storage, processing, bandwidth and memory. A cloud provider, such as Google and Amazon, manages a data centre of which the computing resources are to be shared by end users. With the rapid growth of the demand in cloud services, optimal resources allocation becomes one the most important targets in cloud computing [6]. Load balancing (LB) is one of the cloud resource allocation tasks seeking for the best arrangement of services into a set of machines so the usage of these machines can be improved. In this paper, we consider the LB problem introduced by Google for the ROADEF/EURO 2012 challenge [1]. The task is named as Machine Reassignment Problem (MRP). The goal of MRP is to improve the usage of resources by reassigning a set of processes into a set of machine, while all problem constraints must be satisfied. A range of methods have been proposed to solve MRP. These include variable neighbourhood search [8], constraint programming-based large neighbourhood search [15], large neighbourhood search [4], multi-start iterated local search [14], simulated annealing [20] and restricted iterated local search [13]. In this study, we propose a memetic algorithm (MA) based method for this load balancing problem. MA is a stochastic optimisation search method which combines population based algorithm with local search. The rationale of MA is to synergise the exploration power of population based algorithms with the exploitation capability of local search [16]. MA has been proven very successful in solving various difficult optimisation problems [17]. However the success of MA is not automatic [21,22,25]. There are two important aspects that have to be considered when designing MA for a particular problem [18]. Firstly, the choice of local search is important. The performance of MA heavily depends on the selected local search algorithm. It is difficult for one local search to fit with diverse features of different instances of different problems. Even for the same instance, the characteristic of search space under different stages may vary significantly [24]. That makes the choice of local search method difficult and critical. Secondly, MA often faces the challenge of how to preserve the diversity of a search process [23]. Excessive use of local search may consume more computation on exploitation compromising the effort on exploration. To address these two issues, we propose a variable local search based memetic algorithm. It combines genetic algorithm (GA) with multiple local search algorithms in which each one can navigate a different area in the search space. Different search mechanisms can lead to a different search path with distinct local optima. Furthermore a diversity indicator is adopted to control the invocation of local search to prevent lost of diversity in the population of solutions. With the proposed method, there is no need to examine the nature of a load balancing problem and to choose an appropriate local search for the problem. The need of tuning the local search is also unnecessary in the proposed MA approach. The proposed algorithm are evaluated on small and large scale instances of the machine reassignment problem from ROADED/EURO 2012 challenge. For comparison purposes, the state of the art algorithms for this challenge are included as well. In Sect. 2, this challenge is described in details. The proposed variable local search based MA is presented in Sect. 3. Section 4 shows the experiment settings while the results are listed in Sect. 5. Section 6 concludes this study.

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

بخشی از ترجمه فارسی مقاله:

1- مقدمه
تصادفی سازی در الگوریتم های فراابتکاری نقش بسیار حیاتی در اکتشاف و بهره برداری ایفاء می کند . تکنیک های تصادفی سازی قدرتمند تر یک سری زنجیره های مارکوف ، پرش های (پرواز های ) لوی و توزیع گوسی یا نرمال هستند و جدیدترین تکنیک از نوع انطباقی می باشد . از اینرو ، الگوریتم های فرا ابتکاری در ترکیب با تکنیک انطباقی به زمان محاسباتی کمتر منجر می گردد تا به راه حل بهینه ، اجتتاب حداقلی محلی و همگرایی سریع تر منجر گردد .
WAO مبتنی بر جمعیت یک الگوریتم بهینه سازی فراابتکاری می باشد که از توانایی برخوردار بوده است تا از بهینه محلی اجتناب نماید و به راه حل بهینه جهانی دست یابد که ان را برای کاربرد های عملی بدون اصلاحات ساختاری در الگوریتمی برای حل مسایل بهینه سازی متفاوت محدود شده یا محدود نشده مناسب می سازد . WOA در زمانی که با تکنیک انطباقی یکپارچه شده است باعث کاهش های محاسباتی برای مشکلات بی نهایت پیچیده می گردد .
کار های معاصر با تکنیک انطابقی عبارتند از : الگوریتم جستجو Cuckoo انطباقی (ACSA) ، QGA ، تخلیه ناقص صوتی (PD) ، HGAPSO ، PSACO ، HSABA ، PBILKH ، KH-QPSDO ، PSACO ، HSABA ، PBILKH ، KH-QPSO ، IFA-HS ، HS/FA ، CKH-HS/BA ، HPSACO-CSKH ، HS-CSS ، PSOHS ، DEKH ، HS/CS ، HSBBO ، CSS-PSO و غیره .
ساختار مقاله به صورت زیر نشان داده می شود : بخش اول شامل مقدمه ؛ بخش دوم شامل توصیف الگوریتم های اصلی می باشد ؛ بخش سوم از تحلیل نتایج رقابتی مشکل محک تست محدود نشده تشکیل می گردد ؛ در نهایت تایید و نتیجه گیری بر ایای نتایج استخراج می گردد .

2 – الگوریتم بهینه سازی وال
الگوریتم بهینه سازی که همین اواخر در الگوریتم فراابتکاری پیشنهاد شده است را الگوریتم بهینه سازی وال(WOA) می نامند که از استراتژی شکار شبکه حباب الهام گرفته شده است . رفتار شکار خاص وال های گوژپشت در الگوریتم توصیف می گردد ، وال ها از حباب های نوعی تبعیت می کنند و این کار یک دایره یا مسیر شکل عدد 9 را ایجاد می کند در حالی که صیدرا در طول عملیات شکار محاصره می کنند . رفتار شکار / تغذیه شبکه حباب به راحتی می توانست این گونه درک گردد که وال گوژ پشت تقریبا 10 تا 15 متر در آب پایین رفته است و سپس بعد از شروع برای تولید حباب هایی در شکل مارپیچ به دور شکار حلقه می کند و سپس از حباب ها تبعیت می کند و به سمت بالا در سطح آب حرکت می کند . مدل ریاضی برای الگوریتم بهینه سازی وال به صورت زیر نشان داده می شود :

بخشی از مقاله انگلیسی:

1. Introduction

In the meta-heuristic algorithms, randomization plays a very crucial role in both exploration and exploitation. More strengthen randomization techniques are Markov chains, Levy flights and Gaussian or normal distribution and newest technique is adaptive technique. So meta-heuristic algorithms on integrated with adaptive technique results in less computational time to reach optimum solution, local minima avoidance and faster convergence. Population based WOA1 is a meta-heuristic optimization algorithm has an ability to avoid local optima and get global optimal solution that make it appropriate for practical applications without structural modifications in algorithm for solving different constrained or unconstraint optimization problems. WOA integrated with adaptive technique reduces the computational times for highly complex problems. Contemporary works with adaptive technique are: Adaptive Cuckoo Search Algorithm (ACSA)2,3, QGA4 , Acoustic Partial discharge (PD)5,6, HGAPSO7 , PSACO8 , HSABA9 PBILKH10, KH-QPSO11, IFA-HS12, HS/FA13, CKH14 HS/BA15HPSACO16 CSKH17, HS-CSS18, PSOHS19, DEKH20, HS/CS21, HSBBO22, CSS-PSO23 etc. The structure of the paper can be given as follows: – Section I consists of Introduction; Section II includes description of main algorithms; section III consists of competitive results analysis of unconstraint test benchmark problem; finally, acknowledgement and conclusion based on results is drawn.

2. Whale Optimization Algorithm

In the meta-heuristic algorithm, a newly purposed optimization algorithm called Whale optimization algorithm (WOA), which inspired from the bubble-net hunting strategy. Algorithm describes the special hunting behavior of humpback whales, the whales follows the typical bubbles causes the creation of circular or ‘9-shaped path’ while encircling prey during hunting. Simply bubble-net feeding/hunting behavior could understand such that humpback whale went down in water approximate 10-15 meter and then after the start to produce bubbles in a spiral shape encircles prey and then follows the bubbles and moves upward the surface. Mathematic model for Whale Optimization algorithm (WOA) is given as follows:

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

در (Nasonov D. یک.، 2014) نویسندگان سعی بر مواجهه با سناریوهای مهلت سخت از پیش تعریف شده سیستم هشدار دهنده از طریق بهینه سازی برنامه ریزی پس زمینه با پارامترهای قابلیت اطمینان منابع پذیرفته شده و همچنین تغییرات کم سناریو در حجم کاری هایی که می‌تواند به راحتی با طرح حاضر وفق داده شود، نمودند.
مائو و هامفری در (مائو، 2011) رویکردی برای بهینه سازی اجرای روندهای کاری با مدیریت ماشین‌های مجازی به صورت پویا در محیط ابری توصیف نمودند. هدف اصلی از این تحقیق به حداقل رساندن هزینه اجرا و همچنین سعی بر حفظ مهلت روند کار بود. این کار به پردازش جریان‌های کاری تنها، با مهلت نرم و در یک راه مقرون به صرفه مرتبط است، درحالی که ما سعی برای حفظ چند روند کاری با مهلت سخت داریم.
در (Nebro، 2009) نویسندگان الگوریتم ژنتیک سلولی مبتنی بر تعامل همسایگی پیشنهاد نمودند، که در آن هرکدام از اجزا تنها می‌توانند با همسایگان نزدیکشان در حلقه پرورش همکاری کنند. اگرچه مقایسه این روش در برابر NSGA-II و SPEA2 نتایج خوبی نشان داده است، کاربردپذیری این الگوریتم در سری روندهای‌کاری با امکان مهلت، موضوع تحقیقات آینده است.
3. شرح مشکل
در این بخش ما مفروضات مان در مورد روندهای کاری، وظایف و منابع محاسباتی آنها، تعریف مساله و راه حل پیشنهاد مان برای آن را توصیف می‌کنیم.

3.1 روندهای کاری
معمولا روندهای کاری در قالب گراف غیر مدور و مستقیم (DAG) هستند که در آن گره‌ها برای نشان دادن وابستگی وظایف و لبه‌ها به وظایف (در اکثر موارد وابستگی داده ها) هستند. شرح مفصل این رویکرد در (Sinnen، 2007) داده شده است. در کار ما کل زمان اجرا (makespan) به عنوان پارامتر اصلی بهینه سازی، محدود شده با قید مهلت تعریف شده است. هر روند کاری می‌تواند مهلت زمانی سخت مشخص برای کاربرداشته باشد، که در آن روندهای کاری باید به همه معنا اجرا شوند. ما نمی‌توانیم اجرا را تا زمانی که همه ی مهلت‌ها در برنامه زمانی نگهداری شوند، شروع کنیم.
در این کار ما از تعدادی روند کاری مصنوعی تولید شده که برنامه‌های علمی ‌واقعی از زمینه‌های مختلف علمی ‌را تکرار می‌کند، استفاده می‌کنیم: Montage (نجوم)، CyberShake (علم زلزله)، Epigenomics (زیست شناسی)، Inspiral (فیزیک گرانشی) و SIPHT (زیست شناسی) (Bharathi، 2008 ). اینها اطلاعات دقیقی در مورد ساختار روند کار، زمان اجرای نسبی وظایف، ورودی و خروجی داده برای هر وظیفه و وابستگی داده فراهم می‌کنند. Bharathi و همکاران یک ژنراتور روند کار توسعه دادند، که اجازه تولید نسخه‌ای از روند کاری توصیف شده با تعداد مختلف از وظایف در قالب DAX (گراف غیر مدور مستقیم در XML) را می‌دهد. مثالی از ساختار روندکار را می‌توان در شکل 1 یافت.
زمان اتمام وظیفه در فاز اجرا توسط توزیع نرمال هر وظیفه t با مقدار متوسط m و واریانس d برآورد شده است. در برنامه ریزی زمان اتمام فاز، زمان ثابت و برابر مقدار میانگین در نظر گرفته شده است.

3.2 منابع محاسباتی
همه منابع محاسباتی یک قبابلیت اطمینان معین دارند و ما باید این واقعیت را در نظر بگیریم تا احتمال شکست روند کار با مهلت را به کمترین مقدار برسانیم. برای این منظور ما سعی می‌کنیم، از طریق تکرار هر یک از وظایف این روندکاری با 99٪ قابلیت اطمینان اجرا شود. برای مثال، اگر وظایف را با قابلیت اطمینان 0.8 بر روی منابع نگاشت کنیم باید این کار را بر روی یکی دیگر از منابع با قابلیت اطمینان حداقل 0.95 تکرار کنیم تا قابلیت اطمینان اجرای 99٪ حاصل شود، زیرا P(AB)=P(A).P(B) که در آن P(A) میزان شکست از منابع 1 و P(B)- میزان شکست از منابع 2 است.
در این کار ما محیط محاسباتی را به منظورپیاده سازی تکنیک‌های مجازی سازی در نظر گرفتیم. به این معنی که به جای منابع محاسباتی واقعی، وظایف روند کاری را در تعدادی از منابع مجازی که بر اساس منابع واقعی است، نگاشت کردیم.

3.3 شرح مساله
همانطور که در بالا ذکر شد، زمانی که محدودیتهای مهلت سخت برای نتایج نهایی ضروری است و تکنیک‌های محاسبات فوری مورد نیاز است، موارد بسیاری وجود دارد، که ما را وادار به تغییر اولویت در طول بهینه سازی و انطباق الگوریتم موجود به محدودیت‌های قوی در ابتدا و تنها پس از آن بهینه سازی نمودن makespan توسط خودش با توجه به تغییرات پویا در طول فرآیند اجرا در محیط می‌کند. برای چنین الگوریتمی‌ مهم‌ترین نکته دریافت نتایج در زمان ثابت است همچنین نیاز به پردازش چند روندکاری در یک مرتبه است، که در آن هر یک از آنها می‌توانند معیارهای فوری داشته باشند و باید در مقدار مشخصی از زمان تکمیل شوند، به عبارت دیگر مهلت اجرای سختی دارند. تحقیقات ما با هدف بررسی کاربردپذیری الگوریتم‌های فوق ابتکاری، به ویژه، الگوریتم ژنتیک مرسوم (Butakov، 2014)، برای روند کاری برنامه ریزی با مهلت سخت است.

4. راه حل پیشنهادی
در این بخش الگوریتم‌های فوق ابتکاری تکاملی و الگوریتم‌های اکتشافی اصلاح شده ارائه شده است.

4.1 الگوریتم ژنتیک تکاملی مهلت سخت(HDCGA)
ما مجازی سازی را به عنوان راهی برای افزایش عملکرد زمان بندی در نظر گرفتیم. در (Butakov، 2014) مفهوم رویکرد مرسوم برای برنامه سازی در محیط‌های مجازی ناهمگن بیان شده است. این ایده در مراحل تکاملی به طور همزمان برای زمان بندی وظایف و محیط محاسباتی است. تکامل نگاشت وظایف به روش کلاسیک متقاطع، جهش و انتخاب توسط تابع تناسب سازمان یافته است. تکامل منابع توسط مدیریت منابع مجازی انجام می‌شود. در هر جامعه منابع واقعی به مجموعه‌ای از ماشین‌های مجازی تقسیم می‌شوند. این منابع تشکیل ذرات تکامل می‌دهند، که در شکل 2 نشان داده شده است . طرح اصلی الگوریتم HDCGA در شکل 3 نشان داده شده است. در هر مرحله از فرآیند پیکربندی و برنامه ریزی جمعیت ادغام می‌شوند. سپس برای هر جفت از ذرات زمان بندی ایجاد می‌کنیم، آن را با تابع تناسب ارزیابی می‌کنیم و استراتژی را بر اساس نتایج تابع تناسب اجرا می‌کنیم. در آزمایش‌های‌ ما توجه شده بود که استفاده از این الگوریتم اجازه بهبود لیست اکتشافی، مانند HEFT، تا 84٪ را می‌دهد.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

در این مقاله، رویکرد اوتسو برای تقسیم بندی تصویر رنگی با کمک هیستوگرامRGBبا کمک فضایRGBدر نظر گرفته شده است ، هر پیکسل رنگ تصویر مخلوطی از قرمز، سبز، و آبی (RGB) است و برای آن تصویر مشابه،اندازه فضای داده[0,L-1]3 می باشد (R=[0,L-1], G=[0,L-1], B=[0,L-1]). با وجود این، می توان روش اکتشافی تقسیم بندی رابه صورت زیر فرموله کرد.

حل این مسئله بهینه سازی برای یک تصویرRGB ممکن است تلاش محاسباتی بسیار بزرگتری برای هر دو آستانه ی دو سطحی و چند سطحی نیاز داشته باشد. بسیاری از روش ها در ادبیات برای حل مسئله ی آستانه تصویر ارائه شده است. در مقایسه با روش های تحلیلی سنتی، تکنیک های تقسیم بندی بر اساس اکتشاف به عنوان جایگزین با توجه به بازده محاسباتی آن استفاده می شود. بخش بعدی به طور خلاصه برخی از این ها راشرح می دهد.

3. مروری مختصر بر الگوریتم ها در مطالعه
در این مقاله، الگوریتم کرم شب تاب (FA) و فرم های بهبود یافته ی اخیر آن مورد توجه قرار گرفته است. FAکلاسیک ابتدا توسط Yang ارائه شده است. این یک الگوریتم متا اکتشافی الهام گرفته ازطبیعت می باشد، که در آن الگوهای روشنایی چشمک زن توسط بی مهرگان مانند کرم شب تاب تولید می شود.
FA سنتی با در نظر گرفتن شرایط زیر توسعه یافته است:
(i) کرم شب تاب هاتک جنس می باشند و یک کرم شب تاب به نزدیکترین کرم شب تاب بدون در نظر گرفتن جنس آن جذب خواهد شد.
(ii) جذابیت بین دو کرم شب تاب متناسب با درخشندگی است.
(iii) روشنایی کرم شب تاب به نحوی با فرم تحلیلی تناسب و یاتابع هزینه که برای هدایت فرایند جستجو اختصاص یافته است مربوط می باشد. به عنوان مثال، در یک مسئله ماکزیمم سازی، درخشندگی یک کرم شب تاب به طور مستقیم بامقدار تابع هزینه نسبی متناسب در نظر گرفته شده است (یعنی، درخشندگی تابع تناسب می باشد).

4. پیاده سازی
مسئله سطح آستانه خاکستری به پیدا کردن مطلوب ترین آستانه در محدوده [0، L-1] می پردازد که یک معیار تناسب را به حداکثر می رساند. به طور مشابه، با توجه به روش مبتنی بر هیستوگرامRGB، الگوریتم اکتشافی می آستانه بهینه در فضای داده ها از با به حداکثر رساندن تابع واریانس بین طبقه اوتسو در می یابد. بعد مسئله تقسیم بندی به طور عمده به آستانه (m) سطحی مورد نیاز بستگی دارد. در اینکار، برای مسئله تقسیم بندی تصویر رنگی، الگوریتم های اکتشافی مجاز به کشف فضای داده به منظور به دست آوردن سطح مطلوب آستانه می باشند. از این رو، تقسیم بندی تصویر رنگی بر اساس هیستوگرام RGB یک کار چالش برانگیز می باشد زمانی که با سطح جایگزین خاکستری آن مقایسه شود.کیفیت تصویر تقسیم بندی شده با استفاده از معیارهای تصویر به خوبی شناخته شده، مانند نسبت قله سیگنال به نویز (PSNR) و ماتریس شاخص شباهت ساختاری (SSIM) ارزیابی می شود. علاوه بر این، هر دو مقدار تابع تناسب Jmax و زمانCPUدر نظر گرفته شده است.

5. نتایج تجربی و بحث
آزمایش تصویر تقسیم بندی شده بر اساس هیستوگرامRGB در نرم افزار Matlab R2010a در Intel Dual CoreCPU 1.6 گیگاهرتز،RAM 1.5GBدارای سیستم عامل ویندوزXP اجرا شده است. روش تقسیم بندی روش ویرایش شده ی ارائه شده در صفحه ی وب Matlab می باشد. روش ارائه شده بر روی تصاویراستاندارد RGB(481 X 321sized)مورد آزمایش قرار گرفته است، مانند پروانه، ماهی ستاره، کرگدن، اسب، گل.تعداد آستانه ها (m): در این روش 2، 3، 4 و 5در نظر گرفته شده است. برای هر تصویر، و برای هر m، روش تقسیم بندی15 بار تکرار شده است و مقدار متوسط ازآزمایش به عنوان مجموعه ای از آستانه مطلوب انتخاب شده اند و به عنوان اندازه گیری عملکرد به کار رفته اند.
در ابتدا روش بهینه سازی بر اساس BFA، LFA، و FAمتعارف در تصویر پروانه برایm = 2-5تست می شود. شکل. 1 (a-f) تصویر اصلی، هیستوگرامRGB، تصویرتقسیم بندی شده و مربوط به مقادیر آستانهRGBبهینه رانشان می دهد. از Fig.1 (c-f)، می توان دید که، تقسیم بندی تصویرRGBبا توجه به سه الگوی رنگ مختلف، یعنی اجزای قرمز (R)، سبز (G) و آبی (B) مسئله بسیار پیچیده تری می باشد. همان طور که قبلا گفته شد، هیستوگرام یک تصویرRGBدر مقایسه با هیستوگرام تصویرخاکستری پیچیده تر است. پیدا کردن یک آستانه بهینه در چنین هیستوگرام پیچیده ممکن است یک کار چالش برانگیزباشد. به عبارت دیگر، هر یک ازتوزیع رنگ باید به طور جداگانه با توجه به هیستوگرامRGB،مورد تجزیه و تحلیل قرار گیرند که ممکن است زمان محاسبات افزایش یابد. شکل 2 همگرایی الگوریتم کرم شب تاب بر اساس m = 5را نشان می دهد. از این لازم به ذکر است که تمام الگوریتم ها عملکرد تقریبا مشابهی را ارائه می کنند. از جدول 2 و شکل 2 می توان مشاهده کرد که همگراییLFA بهتر است.
روش گفته شده در بالا برای تصاویر دیگر آزمون در جدول 3تکرار شده است. این جدول تصاویر اصلی با اندازه و رنگ 481 × 321، هیستوگرامRGB، و در تصاویرتقسیم بندی شده دو سطحی و چند سطحی با جستجو براونیFA(BFA) نشان می دهد. مقادیر اندازه گیری عملکرد برای این تصاویر، مانند تابع هدف، PSNR، SSIM و CPUزمان در جدول 2 نشان داده شده است. آستانه بهینه مربوطه (R، G، B) در جدول 4 ارائه شده است.
از این نتایج،می شود متوجه شد که با وجود تفاوت های کوچک، به نظر می رسد تمام الگوریتم به نزدیکی راه حل مطلوب می رسند. برای تمام تصاویر مورد آزمایش با سطوح آستانه های مختلف، زمان همگرایی هر دو LFA و FAبه نظر می رسد که بهتر از BFA می باشد. از سوی دیگر، به طور کلی مقادیرJmax (تابع هدف) به دست آمده است با BFAبه طور کلی نسبت به زمانی که با جایگزین مقایسه می شود بهتر می باشد.

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

فهرست مقاله:

چکیده

1. مقدمه

2- مرور منابع

3- بهینه ساز گرگ خاکستری(GWO)

3-1 الهام

3-2-1 سلسله مراتب اجتماعی

3-2-2 محاصره شکار

3-2-3 شکار

3-2-4 حمله به شکار( بهره برداری)

3-2-5 جست وجوی شکار(اکتشاف)

4- نتایج و بحث

4-1 تحلیل بهره برداری

4-2 تحلیل اکتشاف

4-3 اجتناب از حداقل محلی

4-4 تحلیل رفتار همگرایی(نزدیک شدن)

5-GWO برای مسائل مهندسی کلاسیک

5-1 طراحی فنر کشش/ فشار

5-2 طراحی تیر جوش یافته

5-3 طرح محفظه تحت فشار

6- کاربرد واقعی GWO در مهندسی اپتیک و لیزر( طراحی بافر اپتیکی)

7- نتیجه گیری

بخشی از ترجمه فارسی مقاله:

1. مقدمه
معرفی روش های بهینه سازی فرا ابتکاری در طی دو دهه اخیر محبوبیت و رواج بسیار زیادی را داشته است. در عین شگفتی، برخی از آن ها نظیر الگوریتم ژنتیکی (GA)(1)، بهینه سازی کلنی مورچه(ACO)(2) و بهینه سازی ازدحام ذرات(3) نه تنها در میان دانشمندان علوم کامپیوتر، بلکه دانشمندان رشته های مختلف نسبتا شناخته شده می باشند. علاوه بر طیف وسیعی از کار های نظری، این روش های بهینه سازی در زمینه های مطالعاتی مختلف به کار گرفته شده اند. سوال مطرح شده این است که چرا الگوریتم های فرا ابتکاری گسترش چشمگیری داشته اند. پاسخ به این سوال را می توان در قالب چهار دلیل خلاصه سازی کرد: سادگی، انعطاف پذیری،مکانیسم عاری از مشتق گیری و اجتناب از نقطه بهینه محلی. اول، الگوریتم های فرا ابتکاری نسبتا ساده می باشند. آن ها عمدتا الهام گرفته از مفاهیم بسیار ساده می باشند. الهامات معمولا مربوط به پدیده های فیزیکی، رفتار های حیوانات یا مفاهیم تکاملی هستند. سادگی به دانشمندان رشته کامپیوتر امکان شبیه سازی مفاهیم طبیعی مختلف، پیشنهاد الگوریتم های فرا ابتکاری جدید، ترکیب دو یا چند الگوریتم فرا ابتکاری یا بهبود الگوریتم های فرا ابتکاری فعلی را می دهد. به علاوه، سادگی به دانشمندان دیگر امکان یادگیری سریع الگوریتم های فرا اکتشافی و به کار گیری آن ها را در حل مسائل خود می دهد. دوما، انعطاف پذیری اشاره به قابلیت کاربرد الگوریتم های فرا ابتکاری در مسائل مختلف بدون هر گونه تغییرات در ساختار الگوریتم دارد. الگوریتم های فرا ابتکاری به راحتی قابل کاربرد برای مسائل مختلف می باشند زیرا آن ها اغلب مسائل را به صورت جعبه سیاه فرض می کنند. به عبارت دیگر، تنها ورودی ها و خروجی های یک سیستم برای یک الگوریتم فرا ابتکاری مهم می باشند. بنا بر این، تنها چیزی که یک طراح نیاز دارد این است که بداند چگونه مسئله خود را برای الگوریتم های فرا ابتکاری ارایه کند. سوما، اکثریت الگوریتم های فرا ابتکاری، مکانیسم های عاری از مشتق گیری می باشند. بر عکس رویکرد های بهینه سازی مبتنی بر گرادیان،الگوریتم های فرا ابتکاری، مسائل را به طور تصادفی بهینه سازی می کنند. فرایند بهینه سازی با راه حل های تصادفی شروع می شوند و نیازی به محاسبه مشتق فضای جست و جو برای یافتن نقطه بهینه نیست. این ویژگی موجب شده است تا الگوریتم های فرا ابتکاری برای مسائل واقعی با اطلاعات اشتقاقی ناشناخته یا پر هزینه بسیار مناسب باشند. در نهایت، الگوریتم های فرا ابتکاری دارای قابلیت های برتری برای اجتناب از نقاط بهینه محلی در مقایسه با فنون بهینه سازی متعارف و سنتی می باشند. این ویژگی ناشی از ماهیت تصادفی الگوریتم های فرا ابتکاری است که به آن ها امکان اجتناب از رکود در راه حل های محلی و جست و جوی گسترده فضای کامل جست و جو را می دهد. فضای جست و جوی مسائل واقعی معمولا مجهول و بسیار پیچیده با تعداد زیادی نقطه بهینه محلی است از این روی الگوریتم های فرا ابتکاری، گزینه های خوبی برای بهینه سازی این مسائل واقعی چالش بر انگیز می باشند. قضیه (NFL) از نهار مجانی خبری نیست، در این لازم به ذکر می باشد. این قضیه به طور منطقی اثبات کرده است که هیچ الگوریتم ابتکاری برای حل همه مسائل بهینه سازی، بهترین نیست. به عبارت دیگر، یک الگوریتم فرا ابتکاری خاص ممکن است در یک مجموعه از مسائل، نتایج بسیار خوب و مفیدی را نشان دهد، ولی همین الگوریتم در یک مجموعه متفاوت از مسائل دیگر، عملکرد ضعیفی را به معرض نمایش بگذارد. پر واضح است که NFL موجب فعال تر شدن این زمینه مورد مطالعه شود که به نوبه خود منجر به بهبود رویکرد های فعلی و پیشنهاد الگوریتم های فرا ابتکاری جدید در هر سال می شود. این روش هم چنین به ما انگیزه توسعه یک الگوریتم فرا ابتکاری جدید با الهام گیری از گرگ های خاکستری را می دهد. به طور ملی، الگوریتم های فرا ابتکاری را می توان به دو دسته اصلی طبقه بندی کرد: مبتنی بر تک راه حل و مبتنی بر جمعیت. در دسته اول( برای مثال الگوریتم تبرید شبیه سازی شده(5)، فرایند جست و جو با یک راه حل کاندید شروع می شود. این تک راه حل کاندید سپس در طول تکرار ها بهبود می یابد. با این حال، الگوریتم های فرا ابتکاری مبتنی بر جمعیت، بهینه سازی را با استفاده از مجموعه ای از راه حل ها( جمعیت) انجام می دهند. در این نمونه، فرایند جست و جو با یک جمعیت اولیه تصادفی شروع می شود( راه حل های چند گانه) و این جمعیت در طی یک دوره از تکرار ها بهبود می یابد. الگوریتم های فرا ابتکاری مبتنی بر جمعیت دارای برخی مزیت ها نسبت به الگوریتم های مبتنی بر تک راه حل می باشند: راه حل های چند گانه اطلاعاتی را در مورد فضای جست و جو به اشتراک می کذارند که منجر به جهش های نا گهانی به سمت یک بخش مفید از فضای جست و جو می شود.
• راه حل های کاندید چند گانه به یک دیگر در اجتناب از راه حل های بهینه محلی کمک می کنند
• الگوریتم های فرا ابتکاری مبتنی بر جمعیت به طور کلی دارای اکتشاف بیشتری در مقایسه با الگوریتم های مبتنی بر تک راه حل می باشند.
یکی از شاخه های جالب الگوریتم های فرا ابتکاری مبانی بر جمعیت هوش ازدحامی(SI) است. مفاهیم هوش ازدحامی اولین بار در 1993(6) پیشنهاد شد. بر اساس گفته بانبو و همکاران(1)، SI، هوش جمعی براینده از گروه هایی از عوامل ساده می باشد. الهامات فنون هوش ازدحامی، عمدتا بر گرفته از کلنی های طبیعی، دسته های پرنده ها، گله های حیوانات و دسته های ماهیان می باشد. برخی از رایج ترین روش هی SI شامل ACO [2], PSO [3] و کلنی زنبور عسل(ABC)(7) می باشند. یک مرور منابع جامع از الگوریتم های SI در بخش بعدی ارایه می شود. برخی از مزیت های الگوریتم های هوش ازدحامی به شکل زیر می باشند:
• الگوریتم های هوش ازدحامی اطلاعاتی را در مورد فضای جست و جو در روند تکرار حفظ می کنند در حالی که الگوریتم های تکاملی (EA)، اطلاعات نسل های قبلی را دور می اندازند.
• الگوریتم های هوش ازدحامی اغلب از حافظه برای ذخیره بهترین راه حل بدست آمده تا کنون استفاده می کنند
• الگوریتم های هوش ازدحامی معمولا دارای پارامتر های کم تری برای تعدیل می باشند
• الگوریتم های هوش ازدحامی دارای عملگر ها یا اپراتور های کم تری در مقایسه با رویکرد های تکاملی(کراس آور، موتاسیون(جهش)، نخبه گرایی و از این قبیل موارد)دارد
• پیاده سازی الگوریتم های هوش ازدحامی آسان است.
صرف نظر از تفاوت های بین الگوریتم های فرا ابتکاری، یک خصوصیت مشترک، تقسیم فرایند جست و جو به دو مرحله: اکتشاف و بهره برداری است(8-12). مرحله اکتشاف، اشاره به فرایند تحقیق و بررسی مناطق مفید فضای جست و جو در مقیاس گسترده تا حد امکان دارد. یگ الگوریتم باید اپراتور های تصادفی برای جست و جوی تصادفی و کلی فضای جست و جو به منظور پشتیبانی از این مرحله داشته باشد. با این حال بهره برداری، اشاره به قابلیت جست و جوی محلی حول مناطق مناسب و مفید بدست آمده در مرحله اکتشاف دارد. یافتن یک تعادل مناسی بین این دو مرحله به دلیل ماهیت تصادفی الگوریتم های فرا ابتکاری یک وظیفه چالش بر انگیز محسوب می شود. مطالعه حاضر یک روش SI جدید را با الهام گیری از رفتار شکار و سلسله مراتب اجتماعی گله های گرگ خاکستری ارایه می کند. ادامه این مقاله به صورت زیر سازمان دهی شده است: در بخش 2 مرور منابعی در خصوص فنون SI دیده می شود. بخش 3 شرح کلی از الگوریتم پیشنهادی GWO در اختیار می گذارد. نتایج و بحث مربوط به توابع الگو، مسائل نیمه واقعی و کاربرد واقعی به ترتیب در بخش های 4-6 ارایه شده است. در نهایت، بخش 7 شامل نتیجه گیری و پیشنهاداتی برای سمت و سوی مطالعات آینده است.

بخشی از مقاله انگلیسی:

1. Introduction

Meta-heuristic optimization techniques have become very popular over the last two decades. Surprisingly, some of them such as Genetic Algorithm (GA) [1], Ant Colony Optimization (ACO) [2], and Particle Swarm Optimization (PSO) [3] are fairly well-known among not only computer scientists but also scientists from different fields. In addition to the huge number of theoretical works, such optimization techniques have been applied in various fields of study. There is a question here as to why meta-heuristics have become remarkably common. The answer to this question can be summarized into four main reasons: simplicity, flexibility, derivation-free mechanism, and local optima avoidance. First, meta-heuristics are fairly simple. They have been mostly inspired by very simple concepts. The inspirations are typically related to physical phenomena, animals’ behaviors, or evolutionary concepts. The simplicity allows computer scientists to simulate different natural concepts, propose new meta-heuristics, hybridize two or more meta-heuristics, or improve the current meta-heuristics. Moreover, the simplicity assists other scientists to learn meta-heuristics quickly and apply them to their problems. Second, flexibility refers to the applicability of meta-heuristics to different problems without any special changes in the structure of the algorithm. Meta-heuristics are readily applicable to different problems since they mostly assume problems as black boxes. In other words, only the input(s) and output(s) of a system are important for a meta-heuristic. So, all a designer needs is to know how to represent his/her problem for metaheuristics. Third, the majority of meta-heuristics have derivation-free mechanisms. In contrast to gradient-based optimization approaches, meta-heuristics optimize problems stochastically. The optimization process starts with random solution(s), and there is no need to calculate the derivative of search spaces to find the optimum. This makes meta-heuristics highly suitable for real problems with expensive or unknown derivative information. Finally, meta-heuristics have superior abilities to avoid local optima compared to conventional optimization techniques. This is due to the stochastic nature of meta-heuristics which allow them to avoid stagnation in local solutions and search the entire search space extensively. The search space of real problems is usually unknown and very complex with a massive number of local optima, so meta-heuristics are good options for optimizing these challenging real problems. The No Free Lunch (NFL) theorem [4] is worth mentioning here. This theorem has logically proved that there is no meta-heuristic best suited for solving all optimization problems. In other words, a particular metaheuristic may show very promising results on a set of problems, but the same algorithm may show poor performance on a different set of problems. Obviously, NFL makes this field of study highly active which results in enhancing current approaches and proposing new meta-heuristics every year. This also motivates our attempts to develop a new meta-heuristic with inspiration from grey wolves. Generally speaking, meta-heuristics can be divided into two main classes: single-solution-based and population-based. In the former class (Simulated Annealing [5] for instance) the search process starts with one candidate solution. This single candidate solution is then improved over the course of iterations. Populationbased meta-heuristics, however, perform the optimization using a set of solutions (population). In this case the search process starts with a random initial population (multiple solutions), and this population is enhanced over the course of iterations. Population-based meta-heuristics have some advantages compared to single solutionbased algorithms:  Multiple candidate solutions share information about the search space which results in sudden jumps toward the promising part of search space  Multiple candidate solutions assist each other to avoid locally optimal solutions  Population-based meta-heuristics generally have greater exploration compared to single solution-based algorithms One of the interesting branches of the population-based meta-heuristics is Swarm Intelligence (SI). The concepts of SI was first proposed in 1993 [6]. According to Bonabeau et al. [1], SI is “The emergent collective intelligence of groups of simple agents”. The inspirations of SI techniques originate mostly from natural colonies, flock, herds, and schools. Some of the most popular SI techniques are ACO [2], PSO [3], and Artificial Bee Colony (ABC) [7]. A comprehensive literature review of the SI algorithms is provided in the next section. Some of the advantages of SI algorithms are:  SI algorithms preserve information about the search space over the course of iteration, whereas Evolutionary Algorithms (EA) discard the information of the previous generations  SI algorithms often utilize memory to save the best solution obtained so far  SI algorithms usually have fewer parameters to adjust  SI algorithms have less operators compared to evolutionary approaches (crossover, mutation, elitism, and so on)  SI algorithms are easy to implement Regardless of the differences between the meta-heuristics, a common feature is the division of the search process into two phases: exploration and exploitation [8-12]. The exploration phase refers to the process of investigating the promising area(s) of the search space as broadly as possible. An algorithm needs to have stochastic operators to randomly and globally search the search space in order to support this phase. However, exploitation refers to the local search capability around the promising regions obtained in the exploration phase. Finding a proper balance between these two phases is considered a challenging task due to the stochastic nature of meta-heuristics. This work proposes a new SI technique with inspiration from the social hierarchy and hunting behavior of grey wolf packs. The rest of the paper is organized as follows: Section 2 presents a literature review of SI techniques. Section 3 outlines the proposed GWO algorithm. The results and discussion of benchmark functions, semi-real problems, and a real application are presented in Section 4, Section 5, and Section 6, respectively. Finally, Section 7 concludes the work and suggests some directions for future studies

مقاله انگلیسی رایگان (PDF)

ترجمه فارسی رایگان (PDF)

خرید ترجمه با فرمت ورد

بخشی از ترجمه فارسی مقاله:

2 – مقدمه
از روزی که مهندسان و دانشمندان نیروگاه هسته ای در جستجو طراحی هسته بهینه بوده اند ؛ ریاضی دانان هنوز ازمدت ها قبل در جستجو روش هایی برای یافتن بی نهایت ها بر روی مجموعه نقاط بزرگ بوده اند . اکنون با معرفی کامپیوتر های های قوی یک سری روش های عددی برای تقریب زدن وجود دارند و این کامپیوتر ها وضع های بهینه را برای توابع پیچیده مشخص می سازند . این الگوریتم ها برای هر نوع سیستمی قابل اعمال می باشند که می توان آن سیستم را کوانتیزه نمود و سنگین نمود ؛ کاربرد این الگوریتم هابرای شبیه سازی های هسته ای به پشرفت های چشمگیری در کل جنبه های طراحی راکتور از پین های سوخت گرفته تا الگوی بار گذاری هسته منجر شده اند .
مطابق با طرح هسته در حدود چند صد متغیر اجباری مستقل وجود دارند که می توان تغییر داد و بعضی مواقع تاثیر فیزیکی قابل توجهی دارند . در یک هسته راکتور آب جوشان متوسط که بیش از چهار صد مجموعه سوخت ( گروه سازماندهی شده میله های سوخت ) وجود دارند ، بعضی راکتور ها حاوی نزدیک به یکصد مجموعه سوخت می باشند . هر مجموعه از شبکه 8 در هشت تا 10 در 10 پین هاس سوخت تشکیل می گردد که هر یک با صد ها قرص سوخت پر شده اند . این قرص ها کمترین سطح ساختار قابل تغییر برای ساختن هسته راکتور هستند . فرض بر این که فقط یک متغیر در هر قرص وجود دارد ، در آنجا یک فضای جستجو بزرگ نامعقول با پیکر بندی منحصر به فرد 1020,594,603 ~ 10 107.31′ وجود دارد . در آنجا در مقایسه به طور تقریبی 10 به توان 80 اتم در جامعه قابل مشاهده وجود دارند .
بنابراین ، در صورتی که سوپر کامپیوتری به اندازه چندین عالم وجود نداشته باشد ، روشی برای تضمین طراحی هسته کاملا بهینه وجود ندارد . دستیابی به تقریب های شبه منطقی با استفاده از روش های بهینه سازی امکان پذیر می باشد و معروف ترین آنها عبارتند از الگورتیم ژنتیکی و تبرید شبیه سازی شده . این روش های بهینه سازی بکار گرفته می شوند تا وضع های بهینه تابع نمایده تکی از طریق انواع فرآیند های تکراری پیدا شوند . سطوح گسسته یا میانگین برای کاهش بیشتر چالش محاسباتی بر طبق محدودیت های اتصال تطبیق می یابند .
در آنجا تعداد بی نهایت فاکتور ها ، غنی سازی ها و دانسیته ها در هسته های راکتور برای بررسی وجود دارند ازاینرو کل این جنبه ها بر طبق ساختار بیشتر مجموعه سوخت هستند . شبیه سازی آرایش مجموعه سوخت یک فرآیند متمرکز محاسباتی می باشد که الگوریم ها را به طور جدی به چالش می کشد . GEDBS در سطح طراحی شبکه سوخت درون مجموعه سوخت BWR تست گردید .
GEDBS یک الگوریتمی می باشد که دو پین سوخت را در شبکه با دو پین از پالت موجود پین های مختلف عوض کرده ، پیکر بندی را اندازه گیری نموده و از نتیجه تکرار می گردد . این روش یک رویکرد برنامه سازی پر قدرت نسبت به الگوریتم ژنتیکی یا تبرید شبیه سازی شده می باشد . در نهایت GEDBS با اثربخشی تبرید شبیه سازی شده و الگوریتم ژنتیکی مقایسه گردید .
تبرید شبیه سازی شده ، الگوریتم ژنتیکی و GEDBS همگی از طریق به حداقل رساندن یا حداکثر رساندن تابع تکی شروع می شوند که کل متغیر های مرتبط با مسئله را در بر می گیرند . ارزیابی عددی راه حل بهتر را با ساده سازی حجم بیشتری از پیچیدگی با تابع تکی می توان به راحتی از طریق کامپیوتر شناخت . این تابع اغلب در حدود کران محلی ساکن می گردد بجای این که هدف کران جهانی باشد . مقدار الگوریتم به گونه ای می باشد که از بهترین مقدار فعلی اش منحرف خواهد شد و این وضعیت مشخص خواهد ساخت چگونه یک مانع بالقوه بزرگ می تواند الگوریتم را برعکس سازد از اینرو با این توانایی بر موانع بالقوه بزرگی غلبه می کند که به طور ذاتی همراه با هرج و مرج و ناکارامدی شکل می گیرند . مقدار الگوریتم یک توازن دقیق از این فاکتور ها می باشد که اثربخشی نهایی روش بهینه سازی را اثبات خواهد کرد . برای مثال ، سیستم کاملا فراگیر که هر احتمالی را بررسی کرده بود می توانست به راه حل بهینه دست یابد اما هنوز به فرآوری و بررسی بد ترین راه حل در فرآیند ادامه خواهد داد .الگوی غیر فراگیر ازبهترین الگوی فعلی با میزان های مختلف تکرار خواهد شد و زمان محاسبه در حال بررسی در منطه بد ترین پاسخ ها را به هدر نمی دهد .حذف تصویر شاخص

بخشی از مقاله انگلیسی:

2. Introduction

Since the inception of nuclear power engineers and scientists have pursued optimal core design; for longer still mathematicians have long sought methods for finding extrema over a large set of points. With the introduction of high-powered computers, numerical methods now exist to approximate and find the optima of complex functions. These algorithms are applicable to any system that can be quantized and weighted; their application to nuclear simulations has led to dramatic advancements in all aspects of reactor design, from the fuel pins to the core loading pattern. Within a core design there are hundreds of independent constrained variables that can be altered, sometimes with drastic physical effect. In an average Boiling Water Reactor (BWR) core there are over four hundred fuel bundles, some reactors containing close to one thousand. Each bundle is composed of an 8-by-8 to 10-by-10 grid of fuel pins that are each filled with hundreds of fuel pellets. These pellets are the lowest level alterable structure for building a reactor core. Assuming just one variable per pellet, there is a preposterously large search space of 1020,594,603 ~ 1 0 10′ unique configurations. For comparison there are approximately 1080 atoms in the observable universe. Therefore without a supercomputer the size of several universes there is no way to ensure the absolutely optimal core design. It is possible to achieve reasonably close approximations using optimization methods, the most popular of which are the genetic algorithm and simulated annealing. These optimization methods work to find the extrema of a single representative function by various iterative processes. To further reduce computational challenge, discrete levels or averages are adopted within bounding limits. There are a near infinite number of factors, enrichments, and densities in reactor cores to consider, however all of these aspects are within the greater structure of a fuel bundle. Creating a simulation of fuel bundle arrangement is a computationally intense process that seriously challenges algorithms. The greedy exhaustive dual binary swaps (GEDBS) method was tested on the level of fuel lattice design within a BWR fuel bundle. The GEDBS is an algorithm which replaces two fuel pins in a lattice with two from an available palette of pin types, measures the configuration and iterates from the result. This method is a more brute force approach than either the genetic algorithm (GA) or simulated annealing (SA). Ultimately the GEDBS will be compared with the effectiveness of SA and GA; this could eventually lead to the creation of even more efficient methods to find maxima and minima. SA, GA, and GEDBS are all proceed by minimizing/maximizing a single function which encompasses all of the relevant variables to the problem. By simplifying a great deal of complexity to a single function the numerical evaluation of a ‘better’ solution can be more readily realized by a computer. This function often becomes stagnant around a local extreme rather than its goal of a global extreme. The amount the algorithm is willing to deviate from its current best value will indicate how large a potential barrier the algorithm can traverse, however with this ability to overcome large potential barriers comes inherent chaos and inefficiency. It is the careful balance of these factors that will prove the ultimate effectiveness of any optimization method. For example a fully exhaustive system that checked every possibility could reach the optimal solution, but still continue processing and check the worst solution in the process. A non-exhaustive pattern would iterate from the current best pattern to differing degrees and not waste computation time checking in the area of the worst responses.

یک الگوریتم PSO اصلاح شده برای به حداقل رساندن کل هزینه های منابع در MRCPSP

A Modified PSO Algorithm for Minimizing the Total Costs of Resources in MRCPSP

We introduce a multimode resource-constrained project scheduling problem with finish-to-start precedence relations among project activities, considering renewable and nonrenewable resource costs. We assume that renewable resources are rented and are not available in all periods of time of the project. In other words, there is a mandated ready date as well as a due date for each renewable resource type so that no resource is used before its ready date. However, the resources are permitted to be used after their due dates by paying penalty costs. The objective is to minimize the total costs of both renewable and nonrenewable resource usage. This problem is called multimode resource-constrained project scheduling problem with minimization of total weighted resource tardiness penalty cost MRCPSP-TWRTPC, where, for each activity, both renewable and nonrenewable resource requirements depend on activity mode. For this problem, we present a metaheuristic algorithm based on a modified Particle Swarm Optimization PSO approach introduced by Tchomte and Gourgand which uses a modified rule for the displacement ´ of particles. We present a prioritization rule for activities and several improvement and local search methods. Experimental results reveal the effectiveness and efficiency of the proposed algorithm for the problem in question.

1 Introduction

The resource-constrained project scheduling problem RCPSP is the scheduling of project activities subject to precedence relations as well as renewable resource constraints with the objective of minimizing the makespan of the project. Each nonpreemptive activity in RCPSP can be done in a single mode. For more information on RCPSP and solution methods, we refer to Demeulemeester and Herroelen 1. In the multimode RCPSP MRCPSP, a set of allowable modes can be defined for each activity which is characterized by a constant duration and associated resource requirements. In this paper we consider MRCPSP with the objective of minimizing total costs of all resources. Two types of resources, renewable and nonrenewable, are considered. Nonrenewable resource cost of an activity is a function of its resource requirements, determined by its modes. The limited renewable resources are rented and each renewable resource is available in a predetermined sequential time period specified by its ready time and due date and is not available before the ready time. However, each renewable resource can be used after its due date with tardiness penalty cost. As the cost of renting for each renewable resource is fixed, there is no need to incorporate it into the objective function and only tardiness penalty cost is considered for each renewable resource. The MRCPSP under minimization of total costs of resources RCPSP-TWRTPC is an applicable problem and a modified version of the MRCPSP in which all assumptions and constraints of the MRCPSP are held, but the objective function is different. We assume that there are a few renewable resources such as very expert human resources with high skill levels, particular types of cranes, and tunnel boring machines that should be leased from other companies providing these types of resources. Since these limited renewable resources are employed in other projects, there is a dictated ready date as well as a due date for each of them such that no resource can be accessible before its ready date, but these resources are allowed to be used after their due dates by paying penalty cost, depending on the resource type. Also, we suppose that there are a few nonrenewable resources like budget, materials, energy, or other resources which are consumed during the project.

Ranjbar et al. 2 studied this problem with single mode for each activity and availability of one unit for each type of renewable resource, without considering nonrenewable resources. They called this problem resource-constrained project scheduling problem, minimization of total weighted resource tardiness penalty cost RCPSP-TWRTPC, which is an extended form of resource-constrained project scheduling problem RCPSP. They developed a metaheuristic-based GRASP algorithm together with a branch and bound procedure to solve the problem.

یکی کردن زمان انتظار با مدل های محل رقابتی

Incorporating Waiting Time in Competitive Location Models

Abstract

In this paper we propose a metaheuristic to solve a new version of the Maximum Capture Problem. In the original MCP, market capture is obtained by lower traveling distances or lower traveling time, in this new version not only the traveling time but also the waiting time will affect the market share. This problem is hard to solve using standard optimization techniques. Metaheuristics are shown to offer accurate results within acceptable computing times.

1 Introduction

ReVelle’s (1986) Maximum Capture Problem initiated a series of studies on the location of retail facilities in discrete space (see Serra and ReVelle 1995). The MAXCAP model makes the following assumptions: (1) the product sold is homogeneous, (2) the consumer’s decision on patronizing the store is based on distance and (3) unit costs are the same in all stores regardless of ownership. Examples of services that best fit these three assumptions can be found mainly in the fast food sector, in convenience stores and in the banking sector. However, in all these examples, not only the distance but also waiting time seems to determine the consumer’s decision. The number of persons the consumer finds in queue, when he or she arrives at the store, can be a measure for the consumer’s perception of waiting time. Furthermore, the waiting time for one visit may affect future decisions as to which store to patronize the next visit. This seems to be quite relevant for some retail stores, fast food restaurants or ATM machines. Kohlberg (1983), in pioneer work in the same line of research, considers a variant of the classical Hotelling model for store locations. The author assumes that when choosing a store, consumers take into account not only travel time but also waiting time for the service at each store, which in turn depends on the number of consumers patronizing that store. Assuming that each consumer makes the decision that minimizes travel time plus waiting time, stores’ market shares are shown to be continuous functions of their locations. There is also a general consensus that the distances may be interpreted in a functional, proximity, or similarity context rather than in a geometrical one. Our claim is that in some types of services, waiting time has a strong impact on the consumer’s perception of proximity. In Section 2 we will revise some literature on competitive spatial modeling. In Section 3 we describe a model, which incorporates explicitly waiting time, and in Section 4 we propose a metaheuristic to solve the model. Some results of our computational experiments are described in Sections 5 and 6.

 مقاله انگلیسی رایگان

ترجمه فارسی رایگان 

بخشی از مقاله انگلیسی:

Abstract— Reliability is a major issue in mobile ad hoc routing. Shortest paths are usually used to route packets in Mobile Ad hoc NETworks (MANETs). However, a shortest path may fail quickly, because some of the wireless links on the shortest path may be broken shortly after the path is established due to mobility of mobile nodes. Rediscovering routes can result in substantial data loss and communication overheads. In this paper, we consider a MANET in the urban environment. We formulate and study two optimization problems related to reliable routing in MANETs. In the Minimum Cost Duration-Bounded Path (MCDBP) routing problem, we seek a minimum cost source to destination path with duration no less than a given threshold. In the Maximum Duration Cost-Bounded Path (MDCBP) routing problem, we seek a maximum duration source to destination path with cost no greater than a given constraint. We use a waypoint graph to model the working area of a MANET and present an offline algorithm to compute a duration prediction table for the given waypoint graph. An entry in the duration prediction table contains the guaranteed worst-case duration of the corresponding wireless link. We then present an efficient algorithm which computes a minimum cost durationbounded path, using the information provided in the duration prediction table. We also present a heuristic algorithm for the MDCBP routing problem. Our simulation results show that our mobility prediction based routing algorithms lead to better network throughput and longer average path duration, compared with the shortest path algorithm. I. INTRODUCTION The Mobile Ad hoc NETwork (MANET) is different from traditional wireless networks in many ways. One of the basic differences is that a MANET is a multihop wireless network, i.e., a routing path is composed of a number of intermediate mobile nodes and wireless links connecting them. Since nodes can move at any Research supported in part by ARO grant W911NF-04-1-0385, NSF grants CCF-0431167 and a seed grant from CEINT. The information reported here does not reflect the position or the policy of the federal government. time, wireless links are prone to be broken. Any link break along an established routing path will lead to a path failure. A shortest path may fail sooner than another path connecting a given source and destination pair. Frequent routing discovery is costly and inefficient. Moreover, shortest path routing can not support many Quality of Service (QoS) connection requests when the path duration is a requirement. For example, a video stream could be required to be transferred from node s to node t without any interruption for 100 seconds in a multimedia application. Instead of shortest paths, more durable paths or paths with duration guarantees are preferred to be used for routing packets. Originally, the MANET is proposed for military applications in the battlefield. However, future MANETs could be deployed in various environments. the city-wide MANET begins to attract research attentions recently ([1]) because of its application potential. Different from movements in the battlefield, movements in the city are highly restricted by roadways, i.e., the following movement rules must be obeyed: a vehicle or person can only move along roads, turn or stay at intersections. In addition, the driving speed of a vehicle on a specific road segment cannot exceed its prescribed speed limit. A similar mobility pattern is described in the Manhattan mobility model ([1]). Therefore, it is possible for us to make a relatively accurate prediction for mobility of mobile nodes, which will give a good insight for finding reliable routing paths. In this paper, we consider a MANET in the urban environment. As mentioned before, we are interested in QoS connection requests with duration requirements. In addition, we are also interested in finding a path whose duration is as long as possible but whose cost is as low as possible. We formulate two optimization problems for reliable routing in MANETs. They are the Minimum Cost DurationBounded Path (MCDBP) routing problem and the Maximum Duration Cost-Bounded Path (MDCBP) routing problem. We introduce the waypoint graph to model the 0-7803-8815-1/04/$20.00 ©2004 IEEE 466 city map and present a prediction algorithm to compute a duration table for the given waypoint graph. Each entry in the table gives the worst-case duration of a corresponding wireless link, i.e., at least how long it can last. Based on the prediction table, we present an algorithm to solve the (MCDBP) problem optimally and a heuristic algorithm for the (MDCBP) problem. The rest of this paper is organized as follows. We discuss related work in Section II. We formally define our problems and some notations in Section III. We describe our prediction and routing algorithms in Section IV. We present our simulation results in Section V. We conclude the paper in Section VI.