RÓWNOLEGŁY ALGORYTM SA DLA PEWNEGO PROBLEMU WIELOKRYTERIALNEGO

Transkrypt

1 RÓWNOLEGŁY ALGORYTM SA DLA PEWNEGO PROBLEMU WIELOKRYTERIALNEGO Jarosław PEMPERA, Domini ŻELAZNY Streszczenie: W pracy proponuje się nową oncepcję onstruowania algorytmów opartych na przeszuiwaniu przestrzeni rozwiązań, w tórym istotnym elementem jest coraz powszechniej stosowane przetwarzanie równoległe. W pracy rozważany jest dwuryterialny problem szeregowania zadań w przepływowym systemie producyjnym, w tórym ażde stanowiso wyposażone jest w pojedynczą maszynę. Rozważane jest ryterium minimalizacji czasu zaończenia wszystich zadań oraz ryterium minimalizacji sumy spóźnień realizacji zadań. Celem optymalizacji jest wyznaczenie zbioru Pareto optymalnych rozwiązań. Do rozwiązania problemu proponuje się nowy algorytm oparty na metodzie symulowanego wyżarzania. Elementy algorytmu wyorzystujące przetwarzanie równoległe oparte są na przetwarzaniu wetorowym, tóre jest dostępne pratycznie we wszystich współcześnie produowanych procesorach. Słowa luczowe: problem przepływowy, optymalizacja wieloryterialna, metoda SA. 1. Wprowadzenie Postęp technologiczny nieodłącznie związany jest ze zwięszeniem wymagań lientów i oniecznością podnoszenia wydajności. Dotyczy to zarówno fabry ja też narzędzi, tórymi posługujemy się w codziennej pracy. Przedsiębiorstwa, aby utrzymać się na silnie onurencyjnym rynu, zmuszone są do wyorzystywania coraz bardziej zaawansowanych systemów informatycznych wspomagających planowanie producji. Optymalizacja harmonogramowania producji opiera się na sompliowanych modelach obliczeniowych. Coraz częściej obietem optymalizacji są problemy wieloryterialne. Dla zdecydowanej więszości problemów optymalizacyjnych generowanych przez rzeczywiste systemy producyjne nie można sonstruować szybich algorytmów doładnych. Dlatego w pratyce stosowane są algorytmy heurystyczne oparte na metodach przeszuiwań przestrzeni rozwiązań. Zwięszenie jaości generowanych rozwiązań przez tego typu algorytmy pociąga za sobą zwięszenie czasu obliczeń i/lub onieczność stosowania coraz szybszych maszyn obliczeniowych. Jednaże ila lat temu dotychczasowy schemat rozwoju procesorów uległ pewnej istotnej zmianie. Zwięszanie częstotliwości tatowania, tóre osiągnęło granicę możliwości technologicznych, zostało zastąpione przez zwięszanie liczby rdzeni i wątów w pojedynczym procesorze. Oprócz tego, zaprzęgnięto do obliczeń równoległych arty graficzne, wyposażone w wiele procesorów strumieniowych (Stream Processors). Zastosowanie metod równoległych pozwala na znaczne przyśpieszenie działania algorytmów w stosunu do ich odpowiedniów sewencyjnych oraz umożliwia tworzenie nowych metod onstruowania algorytmów w szczególności dla wymagających problemów wieloryterialnych. 479

2 1.1. Przegląd wybranych wieloryterialnych algorytmów szeregowania Więszość powszechnie używanych algorytmów optymalizacji wieloryterialnego szeregowania zadań wyorzystuje Pareto optymalność do oceny znalezionych rozwiązań. Najczęściej wyorzystywane w badaniach były algorytmy ewolucyjne oraz metody loalnego przeszuiwania, jaolwie niewiele z zaproponowanych algorytmów zostało zaprojetowanych do działania równoległego. Murata i inni [1] zaproponowali Multi-Objective Genetic Algorithm (MOGA), będący przedstawicielem algorytmów ewolucyjnych. Zaprojetowany został w celu rozwiązywania wieloryterialnego problemu przepływowego. Najistotniejszym elementem algorytmu jest zmodyfiowany operator selecji, pozostałe elementy algorytmu są typowe dla algorytmów genetycznych dla problemów szeregowania. Selecja związana jest ze zbiorem wag przypisanych do ryteriów optymalizacji, co pozwoliło na uierunowanie poszuiwania w ierunach różnych ryteriów. W algorytmie zastosowano również mechanizm zachowywania elitarnych rozwiązań polegający na tym, że ila z rozwiązań z frontu Pareto jest opiowanych do olejnej generacji. Murata i inni [2] zaprojetowali ulepszoną wersję algorytmu MOGA, nazwaną CMOGA. Najistotniejszą zmianą w nowym algorytmie była inna dystrybucja wag pomiędzy ryteriami optymalizacji. Wyorzystano struturę omórową, co pozwoliło na lepszą selecję wag, co z olei przyczyniło się do znajdywania lepszej aprosymacji frontu Pareto. W swojej pracy, Charavarthy i Rajendran [3] wyorzystują metodę loalnego przeszuiwania. Ich celem była minimalizacja ważonej sumy dwóch ryteriów poprzez użycie prostego algorytmu symulowanego wyżarzania. Rozwiązanie początowe wybierane jest spośród następujących metod: a) Earlies Due Date (EDD), b) Least Static Slac (LSS) oraz c) heurystyi NEH [4], podczas gdy generowanie sąsiedztwa wyonywane było za pomocą schematu zamiany sąsiadujących zadań. Zainspirowani algorytmem Pareto Archived Evolution Strategy (PAES), Suresh i Mohanasundaram zaproponowali algorytm Pareto Archived Simulated Annealing (PASA) [5], tóry oparty był o nową metodę perturbacji. Mechanizm nazwany Segment Random Insertion (SRI) został użyty do generowania sąsiedztwa danego rozwiązania. W celu utrzymania niezdominowanych rozwiązań użyto zewnętrznego archiwum rozwiązań. Rozwiązanie początowe generowane jest losowo, podczas gdy nowe rozwiązanie wybierane jest poprzez użycie salowanej ważonej sumy ryteriów. Odmianę algorytmu genetycznego, wyposażonego w procedurę inicjalizacji wstawiającą cztery dobre rozwiązania do początowej losowej populacji, zaproponowali Pasupathy i inni [6]. Ich algorytm orzystał z zewnętrznej populacji do przechowywania rozwiązań niezdominowanych. Strategia ewolucji była podobna do tej użytej w algorytmu NSGA-II, podczas gdy poprawa jaości frontu Pareto bazuje na dwóch różnych procedurach loalnego przeszuiwania, apliowanych do zewnętrznej populacji po zaończeniu wyonywania głównej części algorytmu. 2. Zastosowanie przetwarzania równoległego W ostatnich latach, obserwuje się dynamiczny rozwój urządzeń eletronicznych wyorzystujących procesory i ułady realizujące przetwarzanie równoległe. Spowodowane jest to przede wszystim dwoma czynniami: (i) w pratyce osiągnięto górną tatowania cyfrowych uładów eletronicznych, (ii) ułady cyfrowe pracujące z wyższą częstotliwością zużywają znacznie więcej energii (zużycie energii jest proporcjonalne do 480

3 wadratu częstotliwości). Wielordzeniowe procesory stosowane są powszechnie w omputerach lasy PC, omputerach przenośnych oraz coraz powszechniej w nowoczesnych telefonach omórowych. Innymi elementami wyorzystującymi przetwarzanie równoległe są ułady graficzne, ułady przetwarzania dźwięu, szyfrowania paietów danych. Generalnie rozróżnia się dwa sposoby przetwarzania równoległego: przetwarzania drobnoziarniste i gruboziarniste. Przetwarzanie drobnoziarniste realizowane jest w jednościeżowych algorytmach, w tórych pewne fragmenty odu (najbardziej czasochłonne) realizowane są w sposób równoległy. Przetwarzanie gruboziarniste realizowane jest przez wiele wątów programu, z tórych ażdy realizuje inną ścieżę realizacji algorytmu. Ze względu na duże sompliowanie odu algorytmów, ażdy wąte realizowany jest przez procesor, zatem realizacja przetwarzania gruboziarnistego możliwa jest w systemach zawierających procesory wielordzeniowe i/lub wiele omputerów połączonych siecią omuniacyjną. Znacznie sromniejsze wymagania dotyczące sprzętu występują w przypadu przetwarzania drobnoziarnistego. Jedną z najbardziej najczęściej stosowanych metod równoległego przetwarzania drobnoziarnistego jest przetwarzanie wetorowe. Z chwilą pojawienia się procesorów Pentium z technologią MMX (ang. Matrix Math extensions) w ońcówce lat 90. pojawiła się możliwość wyorzystania przetwarzania wetorowego realizowanego wewnątrz procesorów stosowanych w omputerach osobistych. Technologia SSE (ang. Streaming SIMD Extensions) następca technologii MMX oferuje przetwarzanie wetorowe realizowane na 128 bitowych rejestrach, w tórych mogą być zaodowane wetory sładające się w zależności od rozmiaru elementu wetora od 2 do 16 elementów. Zestaw instrucji wetorowych realizowany jest na dedyowanych rejestrach procesora i obejmuje on instrucje arytmetyczne, logiczne, przesuwania oraz wymiany z pamięcią. Zastosowanie przetwarzania wetorowego potencjalnie pozwala na przyspieszenie obliczeń objętych przetwarzaniem od 2 do 16 razy. 3. Opis problemu W przepływowym systemie producyjnym należy wyonać n zadań ze zbioru J={1,,n} na m maszynach ze zbioru M={1,,m}. Każde zadnie j J wyonywane jest doładnie raz na ażdej maszynie w olejności zgodnej z numeracją zadań. Czas wyonania zadania j, j J na maszynie, M wynosi p j >0. Realizację zadania j J należy zaończyć przed momentem d j. Zadanie zaończone po tym terminie uważa się za spóźnione. Rozpoczętego zadania nie można przerywać aż do momentu zaończenia. W dowolnej chwili maszyna może wyonywać tylo jedne zadanie. Celem harmonogramowania zadań w systemie producyjnym jest oreślenie momentów rozpoczęcia i zaończenia wyonywania zadań na ażdej maszynie. Przy czym muszą one spełniać opisane wyżej ograniczenia. W ogólnym przypadu olejność wyonywania zadań na maszynach możemy opisać przy pomocy zbioru sładającego się m permutacji, z tórych ażde słada się ze wszystich elementów zbioru J. W pracy rozpatrujemy tzw. przypade permutacyjny w tórym zadania wyonywane są w tej samej olejności na ażdej maszynie. Zatem olejność wyonywania zadań w systemie producyjnym możemy opisać przy pomocy permutacji zbioru {1,,n}. 481

4 Niech S j (C j ) będzie momentem rozpoczęcia (zaończenia) wyonywania zadania j na maszynie. Dla zadanej permutacji =( (1),, (n)) oreślającej olejność wyonywania zadań, momenty te muszą spełniać nierówności (1 4): S j 0, j=1, n, =1, m, (1) S (j), C (j 1),, j=2, n, =1, m, (2) S (j), C (j), 1, j=1, n, =2, m, (3) C j = S j +p j, j=1, n, =1, m, (4) Momenty zaończenia spełniające ograniczenia (1) (4) można wyznaczyć ze znanego wzoru reurencyjnego (5), tóry można rozwiązać w sposób iteracyjny w czasie O(nm). C (j), =max(c (j 1),,C (j), 1 ) + p (j),, (5) gdzie (0)=0, C j,0 =0 dla j=1,,n oraz C 0, =0 dla =1,,m. Zadanie optymalizacji polega na wyznaczeniu olejności oraz harmonogramu wyonywania zadań minimalizującego następujące funcje ryterialne: 1. moment zaończenia realizacji wszystich zadań C max ( max ( j) m 1 j n ) { C }, (6) 2. sumę czasów spóźnień T ( n tot j 1 ( j) ) T, (7) gdzie T (j) = max(0,c (j) d (j) ) jest spóźnieniem zadania (j). Wartości C j, wyznaczone ze wzoru (5) są najmniejsze z możliwych, zatem minimalizują obie funcje ryterialne dla zadanej olejności wyonywania zadań. Celem optymalizacji jest wyznaczenie harmonogramu (permutacji) wyonywania zadań na maszynach minimalizującego jednocześnie obie funcje ryterialne. Niestety w ogólnym przypadu rozwiązanie taie nie istnieje, zatem celem optymalizacji jest wyznaczenie zbioru permutacji optymalnych w sensie Pareto. tj. podzbioru zbioru wszystich rozwiązań sładającego się wyłącznie ze zbioru rozwiązań niezdominowanych. W przypadu optymalizacji funcji wieloryterialnej F( ) =( f 1 ( ),,f q ( )) (8) rozwiązanie dominuje rozwiązanie wtedy i tylo wtedy gdy oraz dla ażdego =1,,q, f ( ) f ( ) (9) istnieje =1,,q, f ( ) < f ( ). (10) 482

5 Rozważany problem jest problem NP-trudnym, ponieważ zarówno problem przepływowy z minimalizacją czasu zaończenia realizacji zadań ja i problem przepływowy z minimalizacją sumy spóźnień są problemami NP-trudnymi. 4. Wyznaczenie harmonogramu dla wielu permutacji równolegle W secji zostanie przedstawiony sposób wyznaczenia harmonogramu dla wielu permutacji przy wyorzystaniu przetwarzania wetorowego. Przetwarzanie wetorowe jest jednym z najprostszych w realizacji sprzętowej sposobów przetwarzania równoległego, niestety narzuca szereg ograniczeń, z tórych najistotniejszym jest dostęp do pamięci. Operandami operacji wetorowych są wetory zatem wszystie dane wejściowe oraz wyjściowe muszą być przechowywane w elementach wetorów. Podobne ograniczenia dotyczą również innych sposobów przetwarzania drobnoziarnistego. Przed przystąpieniem do omówienia metody wyznaczenie harmonogramu dla wielu permutacji oznaczamy przez C [s] moment zaończenia wyonywania na maszynie zadania stojącego na pozycji s w permutacji oreślającej olejność wyonywania zadań. Dla zadanej permutacji, równanie (5) przyjmuje postać (11) C [s], =max(c [s 1],,C [s], 1 ) + p (s),. (11) Niech (1), (2),, (g), będzie zestawem sładającym się z g permutacji. Symbolem ( x) C oznaczamy C [s], dla permutacji (x) ( x), natomiast przez p p. Dalej, niech ( x) ( s), (1) ( g) (1) ( g) C[ s], ( C,..., C ) oraz p ( p,..., p ) będą wetorami zawierającymi w/w dane wejściowe i wyjściowe. Harmonogram wyonywania zadań dla g permutacji można wyznaczyć w czasie O(nm) wyonując obliczenia ma maszynie wetorowej przetwarzającej wetory sładające się z g elementów realizującej od przedstawiony na Rysunu for s = 1 to n do 1.1 for = 1 to m do C max( C[ s 1],, C[ s], 1) p[ s], Rys. 1. Pseudood procedury wyznaczającej harmonogram dla g permutacji Teoretyczne przyspieszenie obliczeń przy wyorzystaniu maszyny wetorowej wynosi g razy. Niestety, właściwe obliczenia muszą być poprzedzone zainicjowaniem elementów p s ], wetorów [, s=1,,n, =1,,m. Inicjowanie to ze względu na zależność elementu od s, oraz permutacji (x), x=1,,g może być zrealizowane sewencyjnie w czasie O(gnm). Inicjację można jednaże znacząco przyspieszyć stosując odpowiednią organizację danych w pamięci oraz wyorzystując przetwarzanie wetorowe. W opisie metody przyjmuje uproszczenie (nie zmniejszające ogólności metody), że liczba maszyn m jest równa liczbie elementów wetora g. 483

6 Rozważmy ro 1.1 dla ustalonego s. Niech T=[t x ] m m =[T 1,,T m ], gdzie T p[ s], będzie macierzą zawierającą czasy wyonywania zadań, tóre są potrzebne podczas wyonywania tego rou. Zawartość macierzy T przedstawiona jest na Rysunu 2. p (1) (1) ( s),1 ( s ), 2 p... p (1) ( s), g p (2) (2) ( s),1 ( s ), 2 p... p (2) ( s), g p ( g ) ( g ) ( s),1 ( s ), 2 p... p ( g ) ( s), g Rys. 2. Macierz T Łatwo można zauważyć, że macierz T jest transpozycją macierzy T*, w tórej ażda * olumna T ( p, p,..., p ) słada się z czasów wyonania tego samego x ( x) ( s),1 ( x) ( s),2 ( x) ( s), g * zadania. Elementy wetora T x można zainicjować w czasie O(1) wyorzystując operacje równoległego transferu z pamięci. Transpozycję macierzy T*, dla m będącego potęgą liczby 2 można wyonać w czasie O(mlog m) wyonując odpowiednią sewencję przesunięć równoległych oraz zamian olumn. Dla m=8 sewencja przesunięć jest następująca: sh1(t*[0],t*[1]) sh1(t*[2],t*[3]) sh1(t*[4],t*[5]) sh1(t*[6],t*[7]) sh2(t*[0],t*[2]) sh2(t*[1],t*[3]) sh2(t*[4],t*[6]) sh2(t*[5],t*[7]) sh4(t* [0],T*[4]) sh4(t*[1],t*[5]) sh4(t*[2],t*[6]) sh4(t*[3],t*[7]) gdzie sh1(a,b): a 1 =a 1, a 2 =b 1, a 3 =a 3, a 4 =b 3,..., b 1 =a 2, b 2 =b 2, b 3 =a 4, b 4 =b 4,..., sh2(a,b): a 1 =a 1, a 2 =a 2, a 3 =b 1, a 4 =b 2,..., b 1 =a 3, b 2 =a 4, b 3 =b 3, b 4 =b 4,..., itd. Ostatecznie złożoność obliczeniowa procedury wyznaczenia harmonogramu dla g permutacji przy wyorzystaniu przetwarzania wetorowego jest rzędu O(nmlog g), zatem teoretyczne przyspieszenie obliczeń wynosi g/(log g). 5. Proponowany algorytm rozwiązania problemu Zastosowanie algorytmów doładnych do rozwiązania problemów NP-trudnych problemów harmonogramowania zadań producyjnych ogranicza się do rozwiązywania instancji o niewielich rozmiarach (niewieliej liczbie maszyn oraz zadań). Spowodowane jest to wyładniczym wzrostem czasu obliczeń wraz ze wzrostem rozmiaru problemu. 484

7 Z tego względu do rozwiązania tego typu problemów stosuje się algorytmy heurystyczne oparte na różnych metodach onstruowania. Do najbardziej znanych i najczęściej wyorzystywanych należą algorytmy oparte na metodach popraw. Spowodowane jest to taimi cechami ja: generowanie dobrej jaości rozwiązań ońcowych, możliwość ompromisu pomiędzy czasem obliczeń (liczbą przeglądniętych rozwiązań) oraz jaością generowanego rozwiązania ońcowego, stosunowo łatwe zrównoleglenie w systemach wieloprocesorowych oraz prosta implementacja. Jedną z najbardziej elastycznych pod względem adaptacji do różnych problemów optymalizacyjnych metod onstruowania algorytmów jest metoda symulowanego wyżarzania (SA ang. Simulated annealing). Metoda SA oparta jest na termodynamicznym procesie schładzania i została zaproponowana w pracy [7]. W przypadu optymalizacji jednoryterialnej funcji ryterialnej f(), w ażdej iteracji algorytmu opartego na metodzie SA, dla rozwiązania bieżącego x generowane jest rozwiązanie zaburzone x'. Jeżeli rozwiązanie x' nie jest gorsze od rozwiązania x to zastępuje je w następnej iteracji, w przeciwnym wypadu zastępuje je z pewnym prawdopodobieństwem. Prawdopodobieństwo aceptacji rozwiązania gorszego zmniejsza się wraz ze wzrostem różnicy wartości funcji celu pomiędzy rozwiązaniem x' i x oraz zmniejsza się wraz z zmniejszaniem temperatury. Precyzyjniej, prawdopodobieństwo aceptacji rozwiązania gorszego wyraża się wzorem P=exp( /T), (11) gdzie =f(x') f(x) oraz T jest temperaturą w danej iteracji. Projet algorytmu opartego na metodzie SA wymaga zdefiniowania postaci rozwiązania, sposobu generowania rozwiązania zaburzonego oraz wyboru lub zdefiniowania sposobu zmniejszania temperatury. Dodatowo w przypadu optymalizacji wieloryterialnej należy podać zasady oceny rozwiązań w szczególności, iedy rozwiązania nie jest gorsze od drugiego oraz w przypadu, gdy jest ja dużo. W proponowanym algorytmie SA rozwiązanie reprezentowane jest w postaci permutacji, rozwiązanie zaburzone generowane jest przez losowy wybór rozwiązania z otoczenia typu wstaw (ang. insert). Realizowane jest to przez wygenerowanie dwóch liczb całowitych a oraz b o rozładzie jednostajnym z przedziału [1,,n] oraz przesunięcie elementu (a) na pozycję b w. Bazując na propozycji przedstawionej w pracy [8], ażde rozwiązanie ', tóre nie jest zdominowane przez rozwiązanie tratowane jest ja rozwiązanie nie gorsze od, natomiast ażde rozwiązanie ' zdominowane przez tratowane jest ja rozwiązanie gorsze od, przy czym q i 1 ( f i ( ') fi( )). (12) Podczas próbnych testów algorytmu SA zauważono, że algorytm generuje dobre rozwiązania, jeżeli rozpoczyna działanie w stosunowo nisiej temperaturze wynoszącej o Jednocześnie zaobserwowano, że podczas swojego działania znacząca fracja 2/3 rozwiązań nie jest aceptowana. Narodziła się wówczas oncepcja wyorzystania obliczeń równoległych w nietypowy sposób, tóry będziemy nazywali obliczeniami w przód. 485

8 1. t=t 0, = 0, sel=0, 2. while (t>t ) 2.1 if (sel g) sel=0 2.2 if (sel=0) generate (1),, (g) parallel compute f 1 ( (x) ), f 2 ( (x) ), x=1,,g for x=1,,g update Pareto set by pair (f 1 ( (x) ), f 2 ( (x) )) 2.3 sel=sel if (sel) dominate then = (sel), sel=0 2.5 else compute for (sel) and, if (sel) is accepted then = (sel), sel=0 2.6 t= t Rys. 3. Schemat algorytmu SA z przetwarzaniem równoległym W proponowanej oncepcji w ażdej iteracji, w tórej nastąpiło zaaceptowanie nowego rozwiązania, generowanych jest g losowych permutacji sąsiednich oraz dla ażdej z nich wyznaczany jest harmonogram wyonywania zadań oraz wartości funcji ryterialnych. Następnie permutacje rozważane są pod względem aceptacji w olejności (1),, (g). Jeżeli permutacja (x), 1 x g zostanie zaaceptowana to zastępuje permutację bieżącą i proces jest ontynuowany. Jeżeli nie zostanie zaaceptowana żadna z permutacji to generowane są olejne g permutacje. Schemat proponowanego algorytmu został przedstawiony na Rysunu 3. Realizacją przetwarzania równoległego steruje zmienna sel. Zerowa wartość zmiennej sel oznacza wygenerowanie nowego zestawu permutacji oraz przeprowadzenie związanych z nim obliczeń równoległych (2.2.2). W rou atualizowany jest zbiór Pareto optymalny. Atualizacja dotyczy wszystich wygenerowanych permutacji. W roach 2.4 oraz 2.5 przeprowadzony jest test aceptacji permutacji wsazywanej przez zmienną sel. W rou 2.6 następuje obniżenie temperatury zgodnie z geometrycznym schematem schłodzenia. 6. Esperyment omputerowy Celem esperymentu omputerowego było porównanie efetywności proponowanego algorytmu wyorzystującego przetwarzanie równoległe z efetywnością standardowego algorytmu. W języu C++ w środowisu Visual Studio 2005 zaimplementowano dwa algorytmy: SA algorytm sewencyjny oraz PSA algorytm z wetorowym przetwarzaniem równoległym. Testy przeprowadzono na omputerze z procesorem Intel i7 2.4 GHz, przy czy obliczenia wyonano tylo na jednym rdzeniu. Testy algorytmów zostały przeprowadzone na zestawie instancji problemu przepływowego zaproponowanych przez Ruiza [9], tóre bazują na powszechnie znanych benchmarach Tailard a [10]. 486

9 Tab. 1. Czas działania i przyspieszenie algorytmów Grupa CPU(SA)[s] CPU(PSA)[s] SLPR SpeedUp0 SpeedUp1 20x5 0,10 0,20 2,63 0,50 1,31 20x10 0,20 0,41 3,45 0,49 1,68 20x20 0,29 0,65 3,94 0,45 1,76 50x5 0,19 0,39 2,45 0,49 1,20 50x10 0,31 0,67 2,47 0,46 1,14 50x20 0,60 1,02 2,76 0,59 1,62 100x5 0,24 0,62 2,13 0,39 0,82 100x10 0,55 1,22 2,46 0,45 1,11 100x20 1,10 1,98 2,66 0,56 1,48 200x10 0,92 2,28 2,30 0,40 0,93 200x20 2,00 3,80 2,70 0,53 1,42 Średnio 2,7 0,48 1,31 Poprzez sterowanie pracą generatora liczb losowych spowodowano, że algorytmy SA i SAR odtwarzały identyczną trajetorię przeszuiwań. Zatem algorytm PSA generuje rozwiązania co najmniej ta dobre ja algorytm SA. Ewentualne lepsze rozwiązania generowane przez PSA pochodzą ze zbioru rozwiązań dla tórych zostały wyznaczone wartości funcji celu, ale nie zostały poddane procesowi aceptacji z powodu zaaceptowania wcześniej rozpatrywanej permutacji. Algorytmy SA i SAR dla ażdej instancji zostały uruchomione 10 rotnie z rozwiązań wygenerowanych losowo, dla temperatury początowej t 0 =100 oraz ońcowej t =1. Parametr został dobrany ta aby algorytmy dla zadanych temperatur wyonywały iteracji. Przetwarzanie równoległe zrealizowano na wetorach o długości g=8. Podczas przebiegu esperymentu omputerowego, dla ażdej instancji i ażdego algorytmu zapamiętano: zbiór rozwiązań niezdominowanych, czas obliczeń oraz w przypadu algorytmu PSA liczbę iteracji w tórych następowało przetwarzanie równoległe. W oparciu o zebrane w czasie esperymentu dane wyznaczono wielości charateryzujące czas i przyspieszenie oraz jaość generowanych zbiorów rozwiązań niezdominowanych. W tab. 1 przedstawiono wynii badań esperymentalnych mających na celu porównanie czasu działania algorytmów oraz przyspieszenia jaie uzysuje się stosując przetwarzanie równoległe. W drugiej i trzeciej olumnie przedstawiony jest rzeczywisty czas działania algorytmów, w czwartej stosune liczby permutacji przetwarzanych przez PSA do liczby rozwiązań przetwarzanych przez SA (SLPR). W ostatnich dwóch olumnach prezentowane jest przyspieszenie rzeczywiste SpeedUp0 = CPU(SA)/CPU(PSA) oraz przyspieszenie uwzględniające liczbę przeglądniętych permutacji przez algorytm PSA tj. SpeedUp1= SpeedUp0 SLPR. Z rezultatów badań prezentowanych w Tab. 1 wynia, że algorytm PSA działa bliso dwurotnie dłużej od algorytmu SA. Wyraźnie to widać analizując wartości współczynnia SpeedUp0. Jednocześnie łatwo można zauważyć, że algorytm PSA przegląda średnio 2,7 487

10 razy więcej permutacji niż algorytm SA. Biorąc pod uwagę ten fat, przyspieszenie obliczeń mierzone stosuniem liczby przetworzonych permutacji w ciągu jednosti czasu wynosi średnio Przyspieszenie to wzrasta wraz ze wzrostem liczby maszyn i nieznacznie maleje wraz ze wzrostem liczby zadań. Porównanie jaości rozwiązań generowanych przez algorytmy dla problemów wieloryterialnych wymaga zastosowania innych metod, niż proste porównanie wartości funcji, z tórym mamy do czynienia w przypadu jednego ryterium. W tym celu postanowiono wyorzystać wsaźni hiper-objętości (Hyper-Volume Indicator) zaproponowany przez Zitzlera i Thiele w pracy [11] oraz opisany przez Knowlesa [12]. Porównanie jaości dostarczonych przez algorytmy aprosymacji frontu Pareto polega na wyznaczeniu puntu referencyjnego, najczęściej przyjmuje 120% najgorszych wartości dla poszczególnych ryteriów we wszystich porównywanych zbiorach, oraz obliczeniu rozmiaru obszaru ograniczonego puntem referencyjnym oraz puntami reprezentującymi rozwiązania z frontu Pareto danego algorytmu. Przyład działania przedstawiono na rys. 4. Rys. 4. Wizualizacja działania wsaźnia hiper-objętości W tab. 2 przedstawiono wynii porównania porycia zdominowanej podprzestrzeni rozwiązań algorytmu SA przez podprzestrzeń algorytmu PSA, liczbę rozwiązań w aprosymacjach frontu Pareto obu algorytmów oraz liczbę rozwiązań algorytmu SA zdominowanych przez rozwiązania algorytmu PSA. Ja łatwo zauważyć, w ażdej z grup 488

11 instancji algorytm równoległy PSA odnalazł więsze podprzestrzenie indyatora hiperobjętości niż algorytm SA. Tab. 2. Sumaryczne porównanie jaości algorytmów Grupa Pareto (SA) Pareto (PSA) Zdominowane przez PSA Zwięszenie porycia [%] 20x ,8 20x ,5 20x ,3 50x ,4 50x ,5 50x ,1 100x ,2 100x ,4 100x ,9 200x ,2 200x ,4 Średnio ,9 Dodatowo, bliso połowa rozwiązań znalezionych przez algorytm SA została zdominowana przez rozwiązania otrzymane w sute działania algorytmu PSA. Powierzchnia podprzestrzeni indyatora była średnio o 0,9% więsza dla algorytmu równoległo. W przypadu poszczególnych instancji algorytm równoległy uzysał porycie nawet o ponad 5% więsze niż algorytm sewencyjny. Oba algorytmy nie różnią się onstrucyjnie, a dzięi zrównolegleniu algorytm PSA w jednostce czasu przetwarza średnio 1,31 razy permutacji więcej. Można więc stwierdzić iż algorytm równoległy uzysał nie tylo lepszą wydajność, ale też znajdywane przez niego rozwiązania dominowały rozwiązania algorytmu sewencyjnego oraz uzysał on lepsze porycie obszaru przestrzeni wartości funcji ryterialnych. 7. Podsumowanie W pracy zaproponowano nowy algorytm oparty na metodzie symulowanego wyżarzania dla dwuryterialnego problemu przepływowego. W algorytmie zastosowano wetorowe przetwarzanie równoległe, tóre zostało wyorzystane do wyznaczenia oryginalną procedurą harmonogramu dla wielu permutacji. Procedura ta została wyorzystana nowej propozycji modyfiacji metody symulowanego wyżarzania jaim są obliczenia w przód. Z rezultatów badań esperymentalnych proponowanego algorytmu jednoznacznie wynia, że generuje on rozwiązania istotnie lepsze od rozwiązań generowanych przez lasyczny algorytm. 489

12 Literatura 1. Murata T., Ishibuchi H., Tanaa H.: Multi-objective genetic algorithm and its applications to flowshop scheduling, Computers and Industrial Engineering 30, 1996, Murata T., Ishibuchi H., Gen M.: Specification of genetic search directions in cellular multiobjective genetic algorithms, EMO '01 Proceedings of the First International Conference on Evolutionary Multi-Criterion Optimization, 2001, Charavarthy K., Rajendran C.: A heuristic for scheduling in a flowshop with the bicriteria of maespan and maximum tardiness minimization, Production Planning and Control 10, 1999, Nawaz M., Enscore Jr. E.E., Ham I.: A heuristic algorithm for the m-machine, n-job flow-shop sequencing problem, OMEGA International Journal of Management Science 11, 1983, Suresh R.K., Mohanasundaram K.M.: Pareto archived simulated annealing for permutation flowshop scheduling with multiple objectives, IEEE Conference on Cybernetics and Intelligent Systems (CIS), 2004, Pasupathy T. Rajendran C., Suresh R.K.: A multi-objective genetic algorithm for scheduling in flowshops to minimize the maespan and total flowtime of jobs, The International Journal of Advanced Manufacturing Technology 27, 2006, Kirpatric S., Gelatt C., Vecchi M.: Optimisation by simulated annealing. Science 220, 1983, Pempera J. Smutnici C., Żelazny D.: Optimizing bicriteria flow shop scheduling problem by simulated annealing algorithm, wysłane na onferencję: International Conference on Computational Science, Spain, Minella G., Ruiz R., Ciavotta M.: A Review and Evaluation of Multiobjective Algorithms for the Flowshop Scheduling Problem, INFORMS Journal on Computing Summer vol. 20 no. 3, 2008, Taillard E.: Benchmars for basic scheduling problems. European Journal of Operational Research 64 (2), 1993, Zitzler E., Thiele L.: Multiobjective Evolutionary Algorithms: A Comparative Case Study and the Strength Pareto Approach, IEEE Transactiions on Evolutionary Computation 3(4), 1999, Knowles J., Thiele L., Zitzler E.: A tutorial on the performance assessment of stochastic multiobjective optimizers., Tech. rep., ETH Zurich, Dr inż. Jarosław Pempera Mgr inż. Domini Żelazny Instytut Automatyi, Informatyi i Robotyi Politechnia Wrocławsa Wrocław, ul. Wybrzeże Wyspiańsiego 27 tel./fax.: (71) jaroslaw.pempera@pwr.wroc.pl, domini.zelazny@pwr.wroc.pl 490