Evaluación de rendimiento y presición de metaheurísticas híbridas paralelas en un cluster multicore

Autores
Méndez Garabetti, Miguel; Rosenstein, Javier; Carribero, Ailin; Murazzo, María Antonia; Rodríguez, Nelson R.; Guevara, Miguel José; Gómez, Pablo
Año de publicación
2017
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
En los últimos años las tendencias más relevantes para lograr el diseño de metaheurísticas eficientes han estado acompañadas por estrategias de hibridación y paralelismo. Si bien existen diversos tipos de problemas que actualmente son resueltos de forma aceptable mediante la utilización de algoritmos secuenciales. A medida que la complejidad incrementa, dichas implementaciones suelen volverse ineficientes e incluso obsoletas. Siendo necesario utilizar herramientas que permitan ofrecer resultados más eficientes. En este tipo de escenarios, la computación paralela se ha convertido en la forma tradicional de resolver problemas con altas cargas de procesamiento. Desde el punto de vista de exactitud o precisión, cuando trabajamos con problemas del tipo NP-duros, los algoritmos exactos suelen tener tiempos de ejecución que crecen de forma exponencial en relación al tamaño del problema haciéndolos inoperables antes este tipo de escenarios. Para este tipo de problemas, las metaheurísticas suelen ser una buena elección ya que ofrecen resultados de buena calidad en tiempos razonables. En este trabajo se evalúan -en términos de rendimiento y presición- diferentes estrategias de hibridación colaborativa utilizando combinaciones de las siguientes metaheurísticas: Algoritmos Genéticos, Evolución Diferencial, Optimización por Cúmulo de Partículas y Optimización por Colonia de Hormigas. Las implementaciones han sido llevadas a cabo en un cluster multicore utilizando programación paralela basada en MPI y OpenMP.
Publicado en: Mecánica Computacional vol. XXXV, no. 11
Facultad de Ingeniería
Materia
Ingeniería
Metaheurísticas Híbridas
HPC
Multicore
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/94700
Acceder
id SEDICI_39d1dba8ce6b9a0e7e0a722e7294ad74
oai_identifier_str oai:sedici.unlp.edu.ar:10915/94700
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Evaluación de rendimiento y presición de metaheurísticas híbridas paralelas en un cluster multicoreMéndez Garabetti, MiguelRosenstein, JavierCarribero, AilinMurazzo, María AntoniaRodríguez, Nelson R.Guevara, Miguel JoséGómez, PabloIngenieríaMetaheurísticas HíbridasHPCMulticoreEn los últimos años las tendencias más relevantes para lograr el diseño de metaheurísticas eficientes han estado acompañadas por estrategias de hibridación y paralelismo. Si bien existen diversos tipos de problemas que actualmente son resueltos de forma aceptable mediante la utilización de algoritmos secuenciales. A medida que la complejidad incrementa, dichas implementaciones suelen volverse ineficientes e incluso obsoletas. Siendo necesario utilizar herramientas que permitan ofrecer resultados más eficientes. En este tipo de escenarios, la computación paralela se ha convertido en la forma tradicional de resolver problemas con altas cargas de procesamiento. Desde el punto de vista de exactitud o precisión, cuando trabajamos con problemas del tipo NP-duros, los algoritmos exactos suelen tener tiempos de ejecución que crecen de forma exponencial en relación al tamaño del problema haciéndolos inoperables antes este tipo de escenarios. Para este tipo de problemas, las metaheurísticas suelen ser una buena elección ya que ofrecen resultados de buena calidad en tiempos razonables. En este trabajo se evalúan -en términos de rendimiento y presición- diferentes estrategias de hibridación colaborativa utilizando combinaciones de las siguientes metaheurísticas: Algoritmos Genéticos, Evolución Diferencial, Optimización por Cúmulo de Partículas y Optimización por Colonia de Hormigas. Las implementaciones han sido llevadas a cabo en un cluster multicore utilizando programación paralela basada en MPI y OpenMP.Publicado en: <i>Mecánica Computacional</i> vol. XXXV, no. 11Facultad de Ingeniería2017-11info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionResumenhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf491http://sedici.unlp.edu.ar/handle/10915/94700spainfo:eu-repo/semantics/altIdentifier/url/https://cimec.org.ar/ojs/index.php/mc/article/view/5282info:eu-repo/semantics/altIdentifier/issn/2591-3522info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-03T10:52:01Zoai:sedici.unlp.edu.ar:10915/94700Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-03 10:52:01.612SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Evaluación de rendimiento y presición de metaheurísticas híbridas paralelas en un cluster multicore
title Evaluación de rendimiento y presición de metaheurísticas híbridas paralelas en un cluster multicore
spellingShingle Evaluación de rendimiento y presición de metaheurísticas híbridas paralelas en un cluster multicore
Méndez Garabetti, Miguel
Ingeniería
Metaheurísticas Híbridas
HPC
Multicore
title_short Evaluación de rendimiento y presición de metaheurísticas híbridas paralelas en un cluster multicore
title_full Evaluación de rendimiento y presición de metaheurísticas híbridas paralelas en un cluster multicore
title_fullStr Evaluación de rendimiento y presición de metaheurísticas híbridas paralelas en un cluster multicore
title_full_unstemmed Evaluación de rendimiento y presición de metaheurísticas híbridas paralelas en un cluster multicore
title_sort Evaluación de rendimiento y presición de metaheurísticas híbridas paralelas en un cluster multicore
dc.creator.none.fl_str_mv Méndez Garabetti, Miguel
Rosenstein, Javier
Carribero, Ailin
Murazzo, María Antonia
Rodríguez, Nelson R.
Guevara, Miguel José
Gómez, Pablo
author Méndez Garabetti, Miguel
author_facet Méndez Garabetti, Miguel
Rosenstein, Javier
Carribero, Ailin
Murazzo, María Antonia
Rodríguez, Nelson R.
Guevara, Miguel José
Gómez, Pablo
author_role author
author2 Rosenstein, Javier
Carribero, Ailin
Murazzo, María Antonia
Rodríguez, Nelson R.
Guevara, Miguel José
Gómez, Pablo
author2_role author
author
author
author
author
author
dc.subject.none.fl_str_mv Ingeniería
Metaheurísticas Híbridas
HPC
Multicore
topic Ingeniería
Metaheurísticas Híbridas
HPC
Multicore
dc.description.none.fl_txt_mv En los últimos años las tendencias más relevantes para lograr el diseño de metaheurísticas eficientes han estado acompañadas por estrategias de hibridación y paralelismo. Si bien existen diversos tipos de problemas que actualmente son resueltos de forma aceptable mediante la utilización de algoritmos secuenciales. A medida que la complejidad incrementa, dichas implementaciones suelen volverse ineficientes e incluso obsoletas. Siendo necesario utilizar herramientas que permitan ofrecer resultados más eficientes. En este tipo de escenarios, la computación paralela se ha convertido en la forma tradicional de resolver problemas con altas cargas de procesamiento. Desde el punto de vista de exactitud o precisión, cuando trabajamos con problemas del tipo NP-duros, los algoritmos exactos suelen tener tiempos de ejecución que crecen de forma exponencial en relación al tamaño del problema haciéndolos inoperables antes este tipo de escenarios. Para este tipo de problemas, las metaheurísticas suelen ser una buena elección ya que ofrecen resultados de buena calidad en tiempos razonables. En este trabajo se evalúan -en términos de rendimiento y presición- diferentes estrategias de hibridación colaborativa utilizando combinaciones de las siguientes metaheurísticas: Algoritmos Genéticos, Evolución Diferencial, Optimización por Cúmulo de Partículas y Optimización por Colonia de Hormigas. Las implementaciones han sido llevadas a cabo en un cluster multicore utilizando programación paralela basada en MPI y OpenMP.
Publicado en: <i>Mecánica Computacional</i> vol. XXXV, no. 11
Facultad de Ingeniería
description En los últimos años las tendencias más relevantes para lograr el diseño de metaheurísticas eficientes han estado acompañadas por estrategias de hibridación y paralelismo. Si bien existen diversos tipos de problemas que actualmente son resueltos de forma aceptable mediante la utilización de algoritmos secuenciales. A medida que la complejidad incrementa, dichas implementaciones suelen volverse ineficientes e incluso obsoletas. Siendo necesario utilizar herramientas que permitan ofrecer resultados más eficientes. En este tipo de escenarios, la computación paralela se ha convertido en la forma tradicional de resolver problemas con altas cargas de procesamiento. Desde el punto de vista de exactitud o precisión, cuando trabajamos con problemas del tipo NP-duros, los algoritmos exactos suelen tener tiempos de ejecución que crecen de forma exponencial en relación al tamaño del problema haciéndolos inoperables antes este tipo de escenarios. Para este tipo de problemas, las metaheurísticas suelen ser una buena elección ya que ofrecen resultados de buena calidad en tiempos razonables. En este trabajo se evalúan -en términos de rendimiento y presición- diferentes estrategias de hibridación colaborativa utilizando combinaciones de las siguientes metaheurísticas: Algoritmos Genéticos, Evolución Diferencial, Optimización por Cúmulo de Partículas y Optimización por Colonia de Hormigas. Las implementaciones han sido llevadas a cabo en un cluster multicore utilizando programación paralela basada en MPI y OpenMP.
publishDate 2017
dc.date.none.fl_str_mv 2017-11
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Resumen
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/94700
url http://sedici.unlp.edu.ar/handle/10915/94700
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://cimec.org.ar/ojs/index.php/mc/article/view/5282
info:eu-repo/semantics/altIdentifier/issn/2591-3522
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
491
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1842260401591418880
score 13.13397

Publicaciones similares