Поиск в базе сайта:
Параллельная программная система для построения множества парето в задаче многокритериально оптимизации динамических систем с использованием параллельного генетического алгоритма icon

Параллельная программная система для построения множества парето в задаче многокритериально оптимизации динамических систем с использованием параллельного генетического алгоритма




Скачать 129.52 Kb.
НазваниеПараллельная программная система для построения множества парето в задаче многокритериально оптимизации динамических систем с использованием параллельного генетического алгоритма
Дата конвертации20.03.2013
Вес129.52 Kb.
КатегорияТексты

ПАРАЛЛЕЛЬНАЯ ПРОГРАММНАЯ СИСТЕМА ДЛЯ ПОСТРОЕНИЯ МНОЖЕСТВА ПАРЕТО В ЗАДАЧЕ МНОГОКРИТЕРИАЛЬНО ОПТИМИЗАЦИИ ДИНАМИЧЕСКИХ СИСТЕМ С ИСПОЛЬЗОВАНИЕМ ПАРАЛЛЕЛЬНОГО ГЕНЕТИЧЕСКОГО АЛГОРИТМА


А.П.Карпенко, В.А.Овчинников, А.С.Семенихин

(Москва, МГТУ им. Н.Э. Баумана)


Рассматривается задача приближенного построения множества Парето в задаче многокритериальной оптимизации динамических систем. Для решения задачи используется относительно новый и высокоэффективный метод на основе генетических алгоритмов.

Для моделирования оптимизируемой динамической системы используется известный программный комплекс PRADIS, предназначенного для анализа динамических процессов в объектах, описываемых системами обыкновенных дифференциальных уравнений.

Построение множества Парето в задаче многокритериальной оптимизации динамических систем предполагает многократное моделирование оптимизируемой динамической системы при различных значениях варьируемых параметров, что требует использования параллельных вычислительных машинах. Работа ориентирована на использование в качестве таких машин распределенных ЭВМ, например, вычислительных кластеров.

Программная система PRADIS//FRONT, реализующая рассматриваемый метод приближенного построения множества Парето, разработана на основе коммуникационной библиотеки MPI, точнее, на основе ее популярной реализации MPICH.. Работоспособность системы проверена на стандартных тестовых задачах многокритериальной оптимизации. Практическое использование системы рассмотрено на примере приближенного построения множества Парето для задачи многокритериальной оптимизации автомобильной коробки передач.


Введение. Проектирование сложной технической системы обычно включает в себя этап параметрической оптимизации [Error: Reference source not found]. В настоящее время, чаще всего используется многокритериальная оптимизация (МКО), при которой качество функционирования объекта проектирования определяется некоторым наборов критериев оптимальности.

Для пользователя наиболее удобны методы решения задачи МКО, основанные на непосредственном использовании множества Парето. В этом случае ЛПР выбирает компромиссное решение на фронте Парето неформальными методами, исходя только из своих предпочтений. Основным недостатком методов этого класса является высокая вычислительная сложность построения множества Парето.

Известно значительное количество методов и алгоритмов приближенного построения множества Парето [2, 3]. Относительно новым и высокоэффективным классом таких методов являются методы на основе генетических алгоритмов (ГА). ГА обладают рядом характеристик, делающих их более предпочтительными, чем классические методы оптимизации [4].

Построение множества Парето в задаче МКО динамических систем требует многократного моделирования исследуемой динамической системы при различных значениях варьируемых параметров. Моделирование динамических систем является самостоятельной проблемой, для решения которой разработано значительное количество программных комплексов [6-9]. В программной системе PRADIS//FRONT моделирование выполняется средствами программного комплекса PRADIS, который предназначен для анализа динамических процессов в объектах, описываемых системами обыкновенных дифференциальных уравнений (СОДУ) [9].

Многократное моделирование сложной динамической системы требует больших вычислительных ресурсов, поэтому в приемлемое для исследователя время может быть выполнено только на параллельных вычислительных машинах. Система PRADIS//FRONT ориентирована на использование в качестве таких машин распределенных ЭВМ, например, вычислительных кластеров [10]. Система PRADIS//FRONT построена на основе коммуникационной библиотеки MPI, точнее, на основе ее популярной реализации ^ MPICH [10].

Работоспособность системы проверена на стандартных тестовых задачах МКО [11]. Практическое использование системы рассмотрено на примере приближенного построения множества Парето для задачи МКО автомобильной коробки передач.

^ Постановка задачи. Будем называть совокупность частных критериев оптимальности – векторным критерием оптимальности. Необходимо максимизировать каждый из указанных критериев в одной и той же области допустимых значений , где - «технологический» параллелепипед, . Здесь , - ограничивающие функции. Задача МКО записывается в виде:

(1)

Векторный критерий оптимальности выполняет отображение множества в некоторое множество пространства критериев, которое называется множеством достижимости. Введем на множестве отношение предпочтения. Будем говорить, что вектор предпочтительнее вектора или вектор доминирует вектор , и писать , если среди равенств и неравенств имеется хотя бы одно строгое неравенство. Выделим из множества подмножество точек (фронт Парето), для которых нет более предпочтительных точек. Множество , соответствующее множеству , называется множеством Парето. Таким образом, если , то .

Ставится задача приближенного построения множества Парето в задаче МКО (1) на вычислительных системах класса MIMD.

^ Последовательные методы приближенного построения множества Парето на основе генетических алгоритмов. В настоящее время в вычислительной практике наиболее часто используются четыре метода приближенного построения множества Парето на основе ГА [4]:

  • VEGA (Vector Evaluated Genetic Algorithm);

  • FFGA (Fonseca and Fleming’s Multiobjective Genetic Algorithm);

  • NPGA (Niched Pareto Genetic Algorithm);

  • SPEA (Strength Pareto Evolutionary Algorithm).

В методе VEGA селекция производится по переключающимся частным критериям оптимальности [5].

Метод FFGA использует процедуру ранжирования индивидов, основанную на Парето-доминировании. При этом ранг каждого из индивидов определяется количеством доминирующих его других индивидов данной популяции. Для отбора индивидов в следующее поколение используется процедура турнирной селекции.

В методе ^ NPGA существует механизм поддержания разнообразия популяции. Метод основан на формировании популяционных ниш.

Метод SPEA так же, как FFGA, использует селекцию, основанную на Парето-доминировании и так же, как ^ NPGA популяционные ниши. Важным свойством метода SPEA является возможность априорного задания количества итоговых точек в искомой аппроксимации множества Парето.

^ Параллельные методы приближенного построения множества Парето на основе генетических алгоритмов. Существует большое разнообразие ПГА, ориентированных на различные классы параллельных вычислительных систем и на различные критерии качества алгоритмов. Один из известных вариантов классификации ПГА (PGA) приведен на Рис. 1 [5].




Рис. 1. Классификация ПГА


^ GPGA (Global Parallel Genetic Algorithm) – однопопуляционный алгоритм. Host-процессор содержит всё поколение в своей памяти и выполняет над ним операции селекции, кроссовера и мутации. Функции пригодности индивидов вычисляются на slave-процессорах. Основная проблема – балансировки загрузки slave-процессоров. Данный алгоритм ориентирован на MIMD-вычислительные системы [10].

^ DGA (Distributed Genetic Algorithm) – это многопопуляционный алгоритм, также ориентированный на MIMD-вычислительные системы. Каждый процессор использует свой собственный генетический алгоритм на выделенной ему части всей популяции.

^ MPGA (Massively Parallel Genetic Algorithm) или Cellular Algorithm (клеточный алгоритм) ориентирован на вычислительные машины класса SIMD [10]. В этом случае каждым процессорным элементом в один момент времени обрабатывается один индивид. Индивиды выбирают пару и рекомбинируют со своими непосредственными соседями.

^ Hierarchical PGA представляют собой алгоритмы, в которых на разных уровнях иерархии реализованы разные ПГА. Обычно используются 2-х уровневые иерархии: DGA-модель – на верхнем уровне; GPGA- или MPGA-модель – на нижнем уровне.

Hybrid PGA – класс алгоритмов, использующих сочетание параллельных генетических алгоритмов и классических оптимизационных методов.

^ Используемые методы и алгоритмы приближенного построения множества Парето. В качестве базового метода используется последовательный метод NPGA [4]. Он более прост в реализации, чем метод SPEA, и, в то же время, обеспечивает достаточно высокую эффективность [4]. Использована модификация метода, предложенная в работе [11] и заключающаяся в следующем:

  • использование аутбридинга (дальнеродственного скрещивания) вместо турнирной селекции [12];

  • использование алгоритма ранжирования индивидов из метода FFGA;

  • использование операции клонирования.

Подробно метод NPGA описан в работе [4], приведем здесь основные отличия.

Вместо рассмотренной турнирной селекции мы используем ранжирование индивидов на основе Парето-доминирования [11]. Индивиду , для которого ни один из индивидов текущей популяции не лучше него по всем частным критериям оптимальности, присваивается ранг 1. Ранг остальных индивидов определяется по формуле

, (2)

где - количество индивидов текущей популяции, лучших по всем частным критериям оптимальности.

Заметим, что используемые механизмы формирования индивидов обеспечивают выполнение условия , но не обеспечивают, в общем случае, выполнение условия

. (3)

Ранг индивидов, которые нарушают ограничение (3) назначается в зависимости от того, в какой мере эти ограничения нарушены. Ранг любого из индивидов из числа тех, для которых ограничение (3) нарушено, выше ранга любого из индивидов, для которых это ограничение выполнено.

Функция пригодности строится на основе выражения

, (4)

где - число индивидов ранга , и имеет вид

; (5)

- нишевое число индивида , вычисляемое по формуле

, (6)

где - функция разделения:

(7)

Селекция в системе PRADIS//FRONT происходит следующим образом. Первый индивид выбирается случайно. Второй индивид выбирается некотором расстоянии от первого индивида (для поддержания разнообразия популяции). В случае если нельзя найти второго индивида на указанном расстоянии, то выбирается случайный индивид.

Скрещивание выполняется по следующей схеме: выбирается ведущий родитель; к значениям его генов прибавляется разность между соответствующими генами родителей, умноженная на коэффициент скрещивания (CrossoverRate); потомок сохраняется в множестве .

Известно множество операторов мутации индивидов, отличающихся количеством индивидов, подверженных мутации, алгоритмами мутации, количеством генов, участвующих в мутации, и пр. [12]. Отличительная особенность оператора мутации в системе PRADIS//FRONT в том, что мутации подвергается все произведенное потомство.

Распараллеливание вычислений в работе реализовано по схеме алгоритма ^ GPGA.

Для балансировки загрузки процессоров используется равномерная статическая балансировка [13], при которой каждый slave-процессоров обрабатывает одинаковое количество индивидов, назначаемых ему host-процессором.

^ Реализация программной системы PRADIS//FRONT. Программная система PRADIS//FRONT состоит из серверной и клиентской частей. Серверная часть системы реализует следующие основные функции: инициализация приложения; поддержка файлов, используемых для обмена данными с клиентской частью; поддержка очереди заданий для клиентов; синхронизация работы; выдача клиентам заданий для расчета; прием от клиентов результатов расчета; реализация генетического алгоритма; обработка результатов.

Клиентская часть системы реализует следующие функции: поддержка работы программного комплекса ^ PRADIS; запуск PRADIS для расчета; получение от PRADIS результатов расчета; прием от серверной части заданий на расчет; передача серверной части результатов расчета.

В системе PRADIS//FRONT определено два типа сообщений. Сообщения, посылаемые сервером и принимаемые клиентами, имеют формат

<Номер задачи для расчета>,

а сообщения, посылаемые клиентами и принимаемые сервером, в виде

<Номер рассчитанной задачи> + + <Результаты расчета>.

Для синхронизации серверной и клиентских частей перед началом обмена сообщениями используется барьерная синхронизация.

^ Тестирование алгоритма приближенного построения множества Парето. Работоспособность рассматриваемого алгоритма проверялась на тестовых задачах ZDT3, ZDT6, DTLZ4 из стандартного набора тестов для непрерывных многокритериальных задач [11]. При решении всех тестовых задач использовались следующие значения параметров алгоритма: параметр разделения σshare=0.01; доля отбираемых для скрещивания индивидов Tr=0.3; параметр рекомбинации CrossoverRate=0.7; мутационный параметр MutationRate=1.0; число индивидов ; максимальное число поколений .

Рис. 2 иллюстрирует результаты тестирования. На рисунке представлены точные фронты Парето (пунктир для 2а и 2б, слошная линия для 2в) и их аппроксимации, полученные с помощью программной системы PRADIS//FRONT. Количество поколений, при которых получены приведенные на рисунках результаты, изменялось от примерно 300 до 1000.

Результаты тестирования показывают, что используемый алгоритм приближенного построения множества Парето позволяет получить хорошие решения для тестовых задач ZDT3, ZDT6 и удовлетворительные результаты – для задачи DTLZ4.

Приближенное построение множества Парето для задачи многокритериальной оптимизации автомобильной коробки передач. Программная система PRADIS//FRONT была использована для построения фронта Парето в задаче МКО автомобильной коробки передач. Рассматривается участок разгона заднеприводного автомобиля массой 1500 кг. с пятиступенчатой коробкой передач при заданной характеристике двигателя. Разгон осуществляется из состояния покоя в течение 40 секунд. В начальный момент времени, полагается, включена первая передача. При движении автомобиля учитывается сопротивление воздуха, трение качения, инерционные и упругие характеристики трансмиссии. Общая структура модели автомобиля представлена на Рис. 3.





Рис. 2. Результаты тестирования для задач ZDT3 (а), ZDT6 (б), DTLZ4 (в)





Рис. 3. Структурная схема модели


Варьируемыми параметрами модели являются следующие 10 параметров (): N1, N2, N3, N4, N5 –  передаточные отношения для всех 5 передач; T1 – время сброса сцепления; T2, T3, T4, T5 – времена включения 2-й, 3-й и т.д. передач.

Параллелепипед П допустимых значений вектора варьируемых параметров определяется неравенствами

, , ,

, ,

, , ,

где - пространство вещественных чисел. Множество допустимых значений D формируется неравенствами .

Выходными являются следующие переменные модели: ^ Time60 – время разгона до 60 км/ч; Time100 – время разгона до 100 км/ч; Velocity – скорость автомобиля; MaxTorque – максимальный момент в трансмиссии; Torque – момент в трансмиссии; Torque_Engine – момент на вале двигателя; V_Engine – частота вращения вала двигателя; Out_Gear – частота вращения выходного вала коробки передач; Efficiency – к.п.д. трансмиссии.

На основе указанных выходных параметров модели сформировано 4 следующих критерия оптимальности: максимальный момент в трансмиссии – MaxTorque (полежит минимизации); максимальная скорость автомобиля – VelocityMax (полежит максимизации); время разгона до 100 км/ч – Time100 (подлежит минимизации); эластичность автомобиля (время разгона с 60 до 100 км/ч) – Time60_Time100 (подлежит минимизации).

С помощью программной системы PRADIS//FRONT получены аппроксимации множества Парето для 3 следующих задач многокритериальной оптимизации:

  1. двухкритериальная задача (=MaxTorque, =VelocityMax);

  2. трехкритериальная задача (=MaxTorque, =VelocityMax, =Time100);

  3. четырехкритериальная задача (=MaxTorque, =VelocityMax, =^ Time100, Time60_Time100).

Результаты расчетов для двухкритериальной и трехкритериальной задач приведены на Рис. 4а, 4б, соответственно. Фрагмент результатов расчета для 4-х критерильной задачи приведен в таблице 1. Отметим, что отрицательные значения скорости для критерия в задачах 1 и 2 получились потому, что предварительно был сделан переход от задачи максимизации к задаче минимизации (с целью упрощения задачи программирования).




^ Рис. 4. Аппроксимация фронта Парето для 2-x (а) и 3-х (б) критериальной задач


Заключение. Работа впервые позволила использовать программный комплекс PRADIS в параллельном режиме. Результаты работы показывают, что программная система PRADIS//FRONT является удобным и надежным средством решения задач многокритериальной оптимизации сложных динамических систем на основе построения соответствующих множеств Парето.


Таблица 1









11756.109375

16719.480469

13848.692383

18383.888672

12064.768555

15854.546875

16389.140625

12209.157227



-166.209230

-170.377962

-171.506975

-167.778259

-170.253357

-171.405472

-165.536545

-170.881882



7.596370

7.957443

7.986857

7.095534

8.701928

7.921792

7.094394

8.666712



3.637967

3.661078

3.878675

3.644868

3.679001

3.730051

3.436554

3.780350




В развитие работы планируется реализовать запуск заданий на распределенной вычислительной системе не только на языке PSL, но также на языке PPL и в формате схем предпроцессора Qucs [9]. Кроме того, планируется реализация многопоточной серверной части приложения. Идея состоит в том, чтобы организовать дополнительные потоки, которые будут осуществлять обмен сообщениями с разными клиентами одновременно. Планируется также использовать другие методы балансировки загрузки узлов распределенной вычислительной системы [13].


ЛИТЕРАТУРА


  1. Норенков И.П. Основы автоматизированного проектирования: Учеб. для вузов. – М.: Изд-во МГТУ им. Н.Э. Баумана, 2006. – 448 с.

  2. Соболь И.М., Статников Р.Б. Выбор оптимальных параметров в задачах со многими критериями.- М.: Дрофа, 2006. – 175 с.

  3. Подиновский В.В., Ногин В.Д. Парето-оптимальные решения многокритериальных задач. – М.: ФИЗМАТЛИТ, 2007. -256 с.

  4. Гуменникова А.П. Адаптивные поисковые алгоритмы для решения сложных задач многокритериальной оптимизации: Дис. … канд. техн. наук. – Красноярск, 2006. – 129 с.

  5. Cantú-Paz, E., A Survey of Parallel Genetic Algorithms, Calculations Parallels, Vol. 10, No. 2. Paris: Hermes, 1998.

  6. MSC.ADAMS - виртуальное моделирование машин и механизмов. - http://www.mscsoftware.ru/

  7. Трудоношин В.А., Трудоношин И.В. Моделирование электромеханических систем с помощью программно-методического комплекса «ПА9»// Информационные технологии, 2006, № 4, с. 13-19.

  8. Погорелов Д.Ю. Компьютерное моделирование динамики технических систем с использованием программного комплекса "Универсальный механизм".- http://www.umlab.ru

  9. PRADIS – Руководство к программе. - ttp://www.laduga.ru

  10. Воеводин В.В., Воеводин Вл.В. Параллельные вычисления. – Спб.: БХВ-Петербург, 2004. -608 с.

  11. Лобарева И.Ф., Черный С.Г., Чирков Д.В., Скороспелов В.А., Турук П.А. Многоцелевая оптимизация формы лопасти гидротурбины. – Вычислительные технологии, Том 11, №5, 2006. с.63 – 76.

  12. Филиппов С.Ж. Параметрическая идентификация систем поддержки принятия решений на основе параллельных генетических алгоритмов: Дис. канд. техн. наук. -Санкт-Петербург, 2003. – 152 с.

  13. Карпенко А.П., Федорук В.Г., Федорук Е.В. Исследование эффективности балансировки загрузки многопроцессорной системы при распараллеливании одного класса вычислительных задач //"Наука и образование: электронное научно-техническое издание". - www.technomag.edu.ru, август, 2007.

Похожие:




©fs.nashaucheba.ru НашаУчеба.РУ
При копировании материала укажите ссылку.
свазаться с администрацией