Подсистема распределенного решения оптимизационных задач
Abstract
In this paper, distributed approaches are used to solve optimization problems based on the use of bioinspired algorithms. The use of this class of algorithms is due to the possibility of decomposition of coded solutions for independent subsets and their processing in separate streams. One of the main problems with this approach is the implementation of decomposition and the adoption of final decisions. When multiple levels of decomposition of existing tasks are required. From the point of view of computational power, simultaneous processing requires considerable resources of processor time and RAM. All these compute nodes interact through network interfaces. This article proposes the implementation of a distributed subsystem of solutions of NP-complete optimization problems, which allows you to automatically break a lot of input data into a subset, distribute subtasks between computational nodes, and collect the results of solutions in solving the original problem. The paper presents the overall architecture of the future subsystem, component models of input data processing and interaction with each other. To confirm the performance of the subsystem, software implementations in the Java programming language and the message broker RabbitMQ were developed to ensure the interaction of software agents with each other. A series of experiments were conducted, in the course of which simultaneous tasks were performed.
References
2. Кравченко, Ю.А. Метод интеллектуального принятия эффективных решений на основе биоинспирированного подхода / Кулиев Э.В., Кравченко Ю.А., Логинов О.А., Запорожец Д.Ю. // Известия Кабардино-Балкарского научного центра РАН. 2017. – № 6-2 (80). – С. 162-169.
3. Родзин, С.И. Состояние, проблемы и перспективы развития биоэвристик / Родзин С.И., Курейчик В.В. // Программные системы и вычислительные методы. 2016. – № 2. – С. 158-172.
4. Кравченко, Ю.А. Разработка вычислительно-независимых моделей (cim) на основе многоагентных систем // Известия Кабардино-Балкарского научного центра РАН, 2017. – № 6-2 (80). – С. 149-155.
5. Запорожец, Д.Ю. Модифицированный гибридный алгоритм на основе алгоритмов волчьей стаи и дифференциальной эволюции / Пантелюк Е.А., Запорожец Д.Ю., Курейчик В.В., Заруба Д.В. // Информатизация и связь, 2018. – № 4. – С. 61-66.
6. Zaporozhets, D. Parallel approach for bioinspired algorithms / Zaporozhets D., Zaruba D., Kulieva N. // Journal of Physics: Conference Series Сер. "International Conference Information Technologies in Business and Industry 2018 - Enterprise Information Systems", – 2018. – С. 042065.
7. Kureichik, V. M., and V. V. Kureichik. "Genetic algorithm for the graph placement." Journal of Computer and Systems Sciences International 39.5 (2000): 733-740.
8. Курейчик, В.М. Обзор состояния проблемной области по теме решение задачи коммивояжёра / Курейчик В.М., Логунова Ю.А., Игнатьева А.С. // Информатика, вычислительная техника и инженерное образование, 2017. – № 3 (31). – С. 39-59.
9. Курейчик, В.М. Прогнозирование состояния технических систем при помощи генетических алгоритмов / Курейчик В.М., Синютин Е.С., Каплунов Т.Г. // Вестник Рязанского государственного радиотехнического университета, 2018. – № 65. – С. 107-112.
10. Kureichik, V. Hybrid approach for graph partitioning / Kureichik V., Zaruba D., Kureichik V.V. // Advances in Intelligent Systems and Computing, 2017. – Т. 573. – С. 64-73.
11. Курейчик В.В., Интегрированная инструментальная подсистема генетического поиска / Курейчик Л.В., Курейчик В.В., Курейчик В.В. // Программная инженерия: методы и технологии разработки информационно-вычислительных систем (ПИИВС-2016) Сборник научных трудов I научно-практической конференции (студенческая секция). ГОУ ВПО "Донецкий национальный технический университет", 2016. – С. 93-96.
12. Литвиненко, В. А. Организация и защита распределенных вычислений на базе многоагентной системы в компьютерной сети с целью сокращения времени решения масштабных задач / Ховансков С. А., Литвиненко В. А., Хованскова В. С. // Известия ЮФУ. Технические науки, 2018. – №4 (198). – С. 198-210
13. Полковникова Н.А., Многокритериальная оптимизация на основе эволюционных алгоритмов / Полковникова Н.А., Курейчик В.М. // Известия ЮФУ. Технические науки, 2015. – № 2 (163). – С. 149-162.
14. Кравченко, Ю.А. Комбинированный подход к решению задачи распределения ресурсоВ / Кравченко Ю.А., Курситыс И.О. // Известия ЮФУ. Технические науки, 2017. – № 7 (192). – С. 111-122.
15. Кравченко, Ю.А. Применение имитационного моделирования и временных сетей петри для задачи распределения вычислительных ресурсов / Курситыс И.О., Кравченко Ю.А. // Фундаментальные и прикладные аспекты компьютерных технологий и информационной безопасности Сборник статей II Всероссийской научно-технической конференции молодых ученых, аспирантов и студентов, 2016. – С. 254-258.
16. Roy G. M. RabbitMQ in Depth. – Manning Publications, 2018.
17. Batyuk A. et al. Software architecture design of the real-time processes monitoring platform //2018 IEEE Second International Conference on Data Stream Mining & Processing (DSMP). – IEEE, 2018. – С. 98-101.
18. Das N. et al. NoSQL Overview and Performance Testing of HBase Over Multiple Nodes with MySQL //Emerging Technologies in Data Mining and Information Security. – Springer, Singapore, 2019. – С. 269-279.
19. Bell C. Introducing InnoDB Cluster: Learning the MySQL High Availability Stack. – Apress, 2018.
