Resolución de problemas de planificación de tareas en ambientes de máquinas paralelas usando algoritmos evolutivos

Autores
Ferretti, Edgardo; Esquivel, Susana Cecilia; Gallard, Raúl Hector
Año de publicación
2004
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La planificación en un ambiente de máquinas idénticas en paralelo (Pm) implica efectuar un cierto número de tareas (jobs) que utilizan varios recursos (un banco de máquinas en paralelo) por un cierto periodo de tiempo. Un modelo sencillo que consiste de m máquinas y n tareas independientes es la base de modelos más complejos. En este modelo, las tareas son asignadas de acuerdo con la disponibilidad de los recursos existentes siguiendo alguna regla de despacho determinada. El tiempo de finalización de la última tarea que abandona el sistema, conocido como makespan (Cmax), es uno de los objetivos más importantes a ser minimizado debido a que usualmente implica una alta utilización de los recursos; sin embargo, deben ser considerados otros objetivos tratados comúnmente en la literatura [9, 11], los cuales además de tener importancia teórica son de relevancia práctica. Muchos de estos problemas son NP-Hard para 2 ≤ m ≤ n y por ende, se han desarrollado heurísticas convencionales, Algoritmos Evolutivos (AEs) y otras heurísticas poblacionales para proveer planes o planificaciones aceptables como soluciones. Este trabajo, expone las conclusiones obtenidas en la resolución de problemas de planificación de tareas sin restricciones de precedencia, en ambientes de planificación de 2 y 5 máquinas idénticas en paralelo, mediante el uso de AEs que implementan distintas técnicas de recombinación y utilizan distintas representaciones indirectas de cromosoma. La performance lograda por los distintos AEs implementados, se compara con los resultados obtenidos por un conjunto de heurísticas convencionales que se aplican usualmente a diferentes problemas de planificación de máquinas idénticas en paralelo.
Eje: Sistemas de información y Metaheurística
Red de Universidades con Carreras en Informática (RedUNCI)
Materia
Ciencias Informáticas
problemas de planificación de tareas
información
Algorithms
Parallel
máquinas paralelas
algoritmos evolutivos
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/21348

id SEDICI_a42dcb93b3e9f3f19395cd3512fc796f
oai_identifier_str oai:sedici.unlp.edu.ar:10915/21348
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Resolución de problemas de planificación de tareas en ambientes de máquinas paralelas usando algoritmos evolutivosFerretti, EdgardoEsquivel, Susana CeciliaGallard, Raúl HectorCiencias Informáticasproblemas de planificación de tareasinformaciónAlgorithmsParallelmáquinas paralelasalgoritmos evolutivosLa planificación en un ambiente de máquinas idénticas en paralelo (Pm) implica efectuar un cierto número de tareas (jobs) que utilizan varios recursos (un banco de máquinas en paralelo) por un cierto periodo de tiempo. Un modelo sencillo que consiste de m máquinas y n tareas independientes es la base de modelos más complejos. En este modelo, las tareas son asignadas de acuerdo con la disponibilidad de los recursos existentes siguiendo alguna regla de despacho determinada. El tiempo de finalización de la última tarea que abandona el sistema, conocido como makespan (Cmax), es uno de los objetivos más importantes a ser minimizado debido a que usualmente implica una alta utilización de los recursos; sin embargo, deben ser considerados otros objetivos tratados comúnmente en la literatura [9, 11], los cuales además de tener importancia teórica son de relevancia práctica. Muchos de estos problemas son NP-Hard para 2 ≤ m ≤ n y por ende, se han desarrollado heurísticas convencionales, Algoritmos Evolutivos (AEs) y otras heurísticas poblacionales para proveer planes o planificaciones aceptables como soluciones. Este trabajo, expone las conclusiones obtenidas en la resolución de problemas de planificación de tareas sin restricciones de precedencia, en ambientes de planificación de 2 y 5 máquinas idénticas en paralelo, mediante el uso de AEs que implementan distintas técnicas de recombinación y utilizan distintas representaciones indirectas de cromosoma. La performance lograda por los distintos AEs implementados, se compara con los resultados obtenidos por un conjunto de heurísticas convencionales que se aplican usualmente a diferentes problemas de planificación de máquinas idénticas en paralelo.Eje: Sistemas de información y MetaheurísticaRed de Universidades con Carreras en Informática (RedUNCI)2004-05info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf624-629http://sedici.unlp.edu.ar/handle/10915/21348spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/2.5/ar/Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T10:54:37Zoai:sedici.unlp.edu.ar:10915/21348Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 10:54:37.458SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Resolución de problemas de planificación de tareas en ambientes de máquinas paralelas usando algoritmos evolutivos
title Resolución de problemas de planificación de tareas en ambientes de máquinas paralelas usando algoritmos evolutivos
spellingShingle Resolución de problemas de planificación de tareas en ambientes de máquinas paralelas usando algoritmos evolutivos
Ferretti, Edgardo
Ciencias Informáticas
problemas de planificación de tareas
información
Algorithms
Parallel
máquinas paralelas
algoritmos evolutivos
title_short Resolución de problemas de planificación de tareas en ambientes de máquinas paralelas usando algoritmos evolutivos
title_full Resolución de problemas de planificación de tareas en ambientes de máquinas paralelas usando algoritmos evolutivos
title_fullStr Resolución de problemas de planificación de tareas en ambientes de máquinas paralelas usando algoritmos evolutivos
title_full_unstemmed Resolución de problemas de planificación de tareas en ambientes de máquinas paralelas usando algoritmos evolutivos
title_sort Resolución de problemas de planificación de tareas en ambientes de máquinas paralelas usando algoritmos evolutivos
dc.creator.none.fl_str_mv Ferretti, Edgardo
Esquivel, Susana Cecilia
Gallard, Raúl Hector
author Ferretti, Edgardo
author_facet Ferretti, Edgardo
Esquivel, Susana Cecilia
Gallard, Raúl Hector
author_role author
author2 Esquivel, Susana Cecilia
Gallard, Raúl Hector
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
problemas de planificación de tareas
información
Algorithms
Parallel
máquinas paralelas
algoritmos evolutivos
topic Ciencias Informáticas
problemas de planificación de tareas
información
Algorithms
Parallel
máquinas paralelas
algoritmos evolutivos
dc.description.none.fl_txt_mv La planificación en un ambiente de máquinas idénticas en paralelo (Pm) implica efectuar un cierto número de tareas (jobs) que utilizan varios recursos (un banco de máquinas en paralelo) por un cierto periodo de tiempo. Un modelo sencillo que consiste de m máquinas y n tareas independientes es la base de modelos más complejos. En este modelo, las tareas son asignadas de acuerdo con la disponibilidad de los recursos existentes siguiendo alguna regla de despacho determinada. El tiempo de finalización de la última tarea que abandona el sistema, conocido como makespan (Cmax), es uno de los objetivos más importantes a ser minimizado debido a que usualmente implica una alta utilización de los recursos; sin embargo, deben ser considerados otros objetivos tratados comúnmente en la literatura [9, 11], los cuales además de tener importancia teórica son de relevancia práctica. Muchos de estos problemas son NP-Hard para 2 ≤ m ≤ n y por ende, se han desarrollado heurísticas convencionales, Algoritmos Evolutivos (AEs) y otras heurísticas poblacionales para proveer planes o planificaciones aceptables como soluciones. Este trabajo, expone las conclusiones obtenidas en la resolución de problemas de planificación de tareas sin restricciones de precedencia, en ambientes de planificación de 2 y 5 máquinas idénticas en paralelo, mediante el uso de AEs que implementan distintas técnicas de recombinación y utilizan distintas representaciones indirectas de cromosoma. La performance lograda por los distintos AEs implementados, se compara con los resultados obtenidos por un conjunto de heurísticas convencionales que se aplican usualmente a diferentes problemas de planificación de máquinas idénticas en paralelo.
Eje: Sistemas de información y Metaheurística
Red de Universidades con Carreras en Informática (RedUNCI)
description La planificación en un ambiente de máquinas idénticas en paralelo (Pm) implica efectuar un cierto número de tareas (jobs) que utilizan varios recursos (un banco de máquinas en paralelo) por un cierto periodo de tiempo. Un modelo sencillo que consiste de m máquinas y n tareas independientes es la base de modelos más complejos. En este modelo, las tareas son asignadas de acuerdo con la disponibilidad de los recursos existentes siguiendo alguna regla de despacho determinada. El tiempo de finalización de la última tarea que abandona el sistema, conocido como makespan (Cmax), es uno de los objetivos más importantes a ser minimizado debido a que usualmente implica una alta utilización de los recursos; sin embargo, deben ser considerados otros objetivos tratados comúnmente en la literatura [9, 11], los cuales además de tener importancia teórica son de relevancia práctica. Muchos de estos problemas son NP-Hard para 2 ≤ m ≤ n y por ende, se han desarrollado heurísticas convencionales, Algoritmos Evolutivos (AEs) y otras heurísticas poblacionales para proveer planes o planificaciones aceptables como soluciones. Este trabajo, expone las conclusiones obtenidas en la resolución de problemas de planificación de tareas sin restricciones de precedencia, en ambientes de planificación de 2 y 5 máquinas idénticas en paralelo, mediante el uso de AEs que implementan distintas técnicas de recombinación y utilizan distintas representaciones indirectas de cromosoma. La performance lograda por los distintos AEs implementados, se compara con los resultados obtenidos por un conjunto de heurísticas convencionales que se aplican usualmente a diferentes problemas de planificación de máquinas idénticas en paralelo.
publishDate 2004
dc.date.none.fl_str_mv 2004-05
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
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/10915/21348
url http://sedici.unlp.edu.ar/handle/10915/21348
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)
dc.format.none.fl_str_mv application/pdf
624-629
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_ 1844615803732754432
score 13.070432