Autooptimización en esquemas paralelos iterativos
|
|
- Miguel Quintero Villanueva
- hace 5 años
- Vistas:
Transcripción
1 Autooptimización en esquemas paralelos iterativos Autor: Juan Pedro Martínez Gallar Directores: Domingo Giménez Cánovas Universidad de Murcia Francisco Almeida Rodríguez Universidad La Laguna 1
2 ÍNDICE 1- Introducción. Situación histórica. Objetivos. Motivación. Optimización. Autooptimización. El problema del mapeo. Metodologías: Tesis, Modelos. Esquemas iterativos, paralelos, homogéneos y heterogéneos. 2.- Autooptimización en sistemas homogéneos. 3.- Autooptimización en sistemas heterogéneos. 4.- Metaheurísticas en la autooptimización. 5.- Conclusiones y trabajos futuros. 2
3 INTRODUCCIÓN 3
4 Situación histórica. Objetivos. Motivación. Evolución de los sistemas informáticos Mayor complejidad Desarrollo de técnicas para garantizar uso eficiente de recursos Software diseñado, implementado y optimizado sobre sistemas concretos Necesidad de disponer de técnicas que aseguren el uso en sistemas para los que no se diseñaron originalmente sin intervención humana (autotuning): ATLAS, LFC, FFTW... Metodología para adaptación a sistemas homogéneos, heterogéneos 4
5 Situación histórica. Objetivos. Motivación. Objetivo Tesis: Adaptación automática del software iterativo paralelo en sistemas para los que no fue propuesto inicialmente Objetivos Parciales: Desarrollo metodologías en sistemas homo y heterogéneos Uso de técnicas metaheurísticas en sist. heterogéneos Desarrollo metodología para otros esquemas computacionales Reutilización Mejora del ciclo vida del software 5
6 Optimización Optimización: necesario para lograr uso eficiente de recursos Optimización Código Uso del código Diseño Diferentes niveles de optimización: Código fuente Compilación Tº Ejecución... 6
7 Optimización Optimización uso de código Trabajo adicional usuario final, puede no experto a nuevos sistemas Desarrollar técnicas para lograr la adaptación del software a la arquitectura de destino para reducir tiempos de ejecución de forma automática Autooptimización Liberar al usuario final 7
8 Autooptimización Sistemas Homogéneos Mayor Complejidad Sistemas Heterogéneos Necesidad de lograr la optimización automática del software: autooptimización Posibilidades a) Reescribir el código b) Crear metodología adaptación Estudio e implementación de técnicas de autooptimización en esquemas paralelos iterativos: objetivo final Beneficio a) Evitar intervención humana 8 b) Reducir costes tº y $
9 Autooptimización Optimización basada en la modelización del tiempo de ejecución: t(s, AP, SP) s: Tamaño del problema AP: Parámetros algorítmicos (tamaño bloque, nº procesos, nº procesadores, procesos/procesadores...) SP: Parámetros del sistema (dependen de la arquitectura y el tipo de sistema: homogéneo / heterogéneo) t c : tiempo de operación básica computación t s : tiempo de inicio de comunicaciones t w : tiempo de envío de un dato básico t s +nt w 9
10 El problema de Optimización Objetivo: min t(s, vap, SP) vap Є AP Asignación de procesadores a las necesidades software Técnicas: Grafos de precedencia Optimización analítica Árboles de asignación Estrategias heterogéneas (HoHe, HeHo) Metaheurísticas 10
11 El problema de Optimización Cuestiones relevantes: Particionado de datos Análisis de dependencias Asignación de recursos Equilibrado de carga Hipótesis: Modelado tº ejecución Construcc. sotfware Autooptimización Necesidad de establecer una metodología de trabajo 11
12 Metodología Tesis Etapas de la tesis Construir modelo tº ejecución algoritmos iterativos 12
13 Metodología Tesis Etapas de la tesis Construir modelo tº ejecución algoritmos iterativos Aplicaciones en esquemas paralelos iterativos 13
14 Metodología Tesis Etapas de la tesis Construir modelo tº ejecución algoritmos iterativos Aplicaciones en esquemas paralelos iterativos Desarrollo metodologías autoopt. sist. homogéneos 14
15 Metodología Tesis Etapas de la tesis Construir modelo tº ejecución algoritmos iterativos Aplicaciones en esquemas paralelos iterativos Desarrollo metodologías autoopt. sist. homogéneos Desarrollo metodologías autoopt. sist. heterogéneos 15
16 Metodología Tesis Etapas de la tesis Construir modelo tº ejecución algoritmos iterativos Aplicaciones en esquemas paralelos iterativos Desarrollo metodologías autoopt. sist. homogéneos Desarrollo metodologías autoopt. sist. heterogéneos Estrategias heterogéneas (HoHe, HeHo) 16
17 Metodología Tesis Etapas de la tesis Construir modelo tº ejecución algoritmos iterativos Aplicaciones en esquemas paralelos iterativos Desarrollo metodologías autoopt. sist. homogéneos Desarrollo metodologías autoopt. sist. heterogéneos Estrategias heterogéneas (HoHe, HeHo) Metaheurísticas 17
18 Metodología de autooptimización DISEÑO DISEÑAR LA RUTINA CONSTRUIR LA FUNCIÓN DE COSTE OBTENER LOS VALORES DE SP SOBRE EL ACTUAL SISTEMA INSTALACIÓN INCLUIR LOS PARÁMETROS SP EN LA FUNCIÓN DE COSTE EJECUCIÓN OBTENER LOS VALORES ÓPTIMOS DE AP EJECUTAR LA RUTINA 18
19 Construcción modelo tº ejecución ESTUDIO SOFTWARE OPTIMIZADO CONSTRUCCIÓN DE UN MODELO EJECUCIÓN PRUEBAS PARA EL MODELO VALIDACIÓN PRUEBAS PARA EL MODELO USO DEL MODELO MEJORA DEL MODELO 19
20 Esquemas iterativos Esquema iterativos usados en multitud de problemas: Progr. Dinámica, Dijkstra, genéticos, sist. ecuaciones... Ejecución de un conjunto de instrucciones de forma iterativa hasta la condición de fin Tipos Secuenciales Paralelos Homogéneos Heterogéneos Caso (Programación Diferentes Prueba dinámica) Esquemas Diferentes formas de calcular los datos: por filas, columnas, diagonales 20
21 Programación dinámica Por filas j.. N 1 2. i-1 i n 21
22 Programación dinámica Por filas Por columnas 1 2. i-1 i n 1 2. i-1 i n j.. N j.. N 22
23 Programación dinámica Por filas Por columnas Por diagonales 1 2. i-1 i n 1 2. i-1 i n j.. N j.. N j.. N. i-1 i n 23
24 Programación dinámica Usados como ejemplos: Problema monedas, Mochila Definición N: cantidad a devolver n: número tipos de monedas v i : valor de la moneda de tipo i, v i >0 q i : cantidad de monedas de tipo i, q i >0 c[i,j]= mínimo número de monedas para devolver cantidad j usando Ecuación hasta los i tipos de monedas c[i,j] = min { c[i-1,j-k*v i ]+k}, 1<=i<=n, 1<=j<=N, k=0,..,j/v i Objetivo: c[n,n] 24
25 Programación dinámica FILAS Esquema Secuencial COLUMNAS for i=1 to numero_de_decisiones for j=1 to tamaño_problema obtener la solución óptima con i decisiones y tamaño de problema j endfor i-1 i n j..... N endfor 25
26 Esquemas iterativos Esquema Paralelo (dependencia de datos) for i=1 to numero_de_decisiones En Paralelo: for j=1 to tamaño_problema obtener la solución óptima con i decisiones y tamaño de problema j endfor Comunicaciones entre procesos endenparalelo endfor i-1 i n j..... N P 0 P P K... P P-1 26
27 AUTOOPTIMIZACIÓN EN SISTEMAS HOMOGÉNEOS 27
28 Autooptimización en sistemas homogéneos Homogéneos: características similares no exactamente iguales Relativa facilidad construir modelo tiempo ejecución Determinar número procesos (p) = procesadores (P) Pruebas realizadas sobre diferentes sistemas: SOLARIS/SUN (SUNEt) (Un. Murcia) PenFE (Un. Murcia) HOMOGÉNEOS ORIGIN 2000 (Un. Polit. Cat.) HPC160 (Inter e intranodo) (Un. Polit. Cart.) KIPLING (Univ. Polit. Val.) HETEROGÉNEOS TORC (Univ. Tennessee) 28
29 Autooptimización en sistemas homogéneos DEPENDENCIA DE DATOS (VERSIONES A y B) 1 2. i-1 i n N P 0 P 1 P P P-2 P P-1 29
30 Autooptimización en sistemas homogéneos Cociente de tiempos de ejecución entre versiones A y B en SUNEt Tamaño Tamaño Complejidad Complejidad Número procesadores Número procesadores Tamaño Tamaño Complejidad Complejidad Número procesadores Número procesadores 30
31 Autooptimización en sistemas homogéneos Modelo teórico: T total = T computación + T comunicación Coste secuencial: 2 N o 2v i Coste computacional paralelo (q i grande): j=n N 1+ N + 1 p j v i o N pv 2 i Coste comunicaciones: p(p 1 ) N(p 1 ) t s t w Proceso P p-1 Parámetro de complejidad o granularidad para aumentar comput. Los SP son t c, t s y t w El único AP es p 31
32 Autooptimización en sistemas homogéneos 7.00E E-02 t s +nt w Tiempo comunicaciones 5.00E E E E E-02 SUN1 - SUN1 SUN1 - SUN5 PenFE Origin 2000 HPC 160 intranodo HPC 160 internodo 0.00E Tamaño mensaje Diferentes posibilidades estimar parámetros sistema Diferencias en speed-up de sistemas Utilidad autooptimización 32
33 Autooptimización en sistemas homogéneos Tiempos de comunicaciones en SUNEt (izq) y HPC160 (der) 4.00E E E E E E-01 Tiempo comunicaciones 2.50E E E E+01 SUN1 - SUN1 SUN1 - SUN5 Tiempo comunicaciones 6.00E E E E E-01 HPC 160 intranodo HPC 160 internodo 5.00E E E E Tamaño mensaje Tamaño mensaje Ratios de tiempos de comunicaciones en SUNEt (izq) y HPC160 (der) Relación SUN1-SUN5 / SUN1 - SUN Tamaño mensaje Relación HPC 160 internodo / HPC 160 intranodo Tamaño mensaje 33
34 Autooptimización en sistemas homogéneos Comparativa entre el número de procesos con los que se obtiene mejor tiempo de ejecución Cantidad Granularidad SUNEt PenFE ORIGIN 2000 HPC El sistema debe decidir cómo ejecutar el algoritmo 34
35 Autooptimización en sistemas homogéneos Media de los speedups máximos variando tamaño y granularidad Sistema SUNEt PenFE ORIGIN 2000 HPC intranodo HPC internodo Speedup máximo 1, , , , ,83555 Speedup variando procesadores, granularidad y tamaño SUNEt 1.5 PenFE ORIGIN HPC a) procesadores b) granularidad c) tamaño 35
36 Autooptimización en sistemas homogéneos Estimación de SP aritméticos: resolviendo un problema reducido Estimación de SP de comunicac: Ping-pong (CP1) Solución de problema reducido variando el número de procesadores (CP2) Solución de problema reducido variando el número de procesadores y el tamaño del problema (CP3) Comparativa del número de procesadores seleccionados con diferentes métodos con respecto al tmb Granularidad SUNEt Tamaño tmb cp1 cp2 cp3 tmb cp1 cp2 cp3 tmb cp1 cp2 cp PenFE Tamaño tmb cp1 cp2 cp3 tmb cp1 cp2 cp3 tmb cp1 cp2 cp
37 Autooptimización en sistemas homogéneos Cocientes entre tiempos de ejecución obtenido con los diferentes métodos con respecto al tmb Granularidad SUNEt Tamaño cp1 cp2 cp3 cp1 cp2 cp3 cp1 cp2 cp ,00 1,00 1,00 1,00 1,33 1,00 1,00 1,44 1, ,00 1,00 1,00 1,52 1,00 1,13 1,00 1,13 1, ,00 1,00 1,00 1,04 1,00 1,13 1,23 1,60 1, ,00 1,00 1,00 1,25 1,00 1,19 1,20 1,00 1,18 PenFE Tamaño cp1 cp2 cp3 cp1 cp2 cp3 cp1 cp2 cp ,64 1,00 1,00 1,02 1,60 1,02 1,02 1,02 1, ,56 1,00 1,00 1,00 1,61 1,04 1,00 1,00 1, ,03 1,00 1,00 1,07 1,65 1,10 1,10 1,10 1, ,32 1,00 1,00 1,00 1,50 1,01 1,15 1,15 1,15 RATIOS cp1/tmb cp2/rmb cp3/tmb 1,173 1,149 1,044 37
38 Autooptimización en sistemas homogéneos Comparación con usuarios: Voraz (UV): usa todos los procesadores disponibles Conservador (UC): usa la mitad de los procesadores disponibles Experto (UE): usa un número de procesadores en función del tamaño del problema Cocientes entre tiempos de ejecución obtenido con los diferentes usuarios con respecto al tmb Granularidad SUNEt Tamaño uv uc ue cp3 uv uc ue cp3 uv uc ue cp ,31 2, ,33 1, , ,19 1, ,52 1,08 1,08 1,13 1 1,2 1 1, ,78 1, ,04 1,15 1,15 1,13 1,23 1,19 1, ,87 1, ,25 1,14 1,14 1,19 1,2 1,11 1,2 1,18 PenFE Tamaño uv uc ue cp3 uv uc ue cp3 uv uc ue cp ,73 1, ,02 1,12 1,12 1,02 1,02 1,12 1,02 1, ,53 1, ,08 1,08 1,04 1 1, ,03 1, ,07 1,05 1,05 1,1 1,1 1,23 1,1 1, ,35 1, ,01 1,01 1,01 1,15 1,18 1,15 1,15 RATIOS uv/tmb uc/tmb ue/tmb cp3/tmb 1,433 1,245 1,070 1,044 38
39 Autooptimización en sistemas homogéneos Cocientes entre tiempos de ejecución obtenidos con los diferentes usuarios y métodos con respecto al tmb 1,6 1,4 1,2 1 0,8 0,6 0,4 uv/tmb uc/tmb ue/tmb cp1/tmb cp2/tmb cp3/tmb 0,2 0 39
40 AUTOOPTIMIZACIÓN EN SISTEMAS HETEROGÉNEOS 40
41 Autooptimización en sistemas heterogéneos Heterogéneos: agrupar elementos del sistema según características similares no exactamente iguales. Mayor dificultad construir modelo tiempo ejecución. Buscar parámetros algorítmicos / min tº ejec t(s, AP, SP) AP= d, p d=(d 0,d 1,...,d P-1 ) SP= Más complejos Construir algoritmos heterogéneos Diferentes posibilidades Desarrollo métodos (exactos y/o aproximados de mapeo (asignar procesos a procesadores)) 41
42 Autooptimización en sistemas heterogéneos Distribución del trabajo y asignación de procesos a procesadores en un esquema de programación dinámica, en algoritmos heterogéneos (HeHo) (a) y homogéneos(hohe) (b) i-1 i-1 i i n n. p 0 p 1 p 2 p 3 p 4... p s..p r-1 p r P 0 P 1 P 2... P S... P K-1... P P-1 P 0 P 1 P 1 P 2... P S... P K P K P P-1 a) b) 42
43 Autooptimización en sistemas heterogéneos Posibilidades de representación del árbol de asignación: PROCESO P-1 (2,0,...,0) PROCESO P P PROCESO n 0... P P-1 PROCDR n PROCDR n 0... n PROCDR P n n 43
44 Autooptimización en sistemas heterogéneos Árbol de asignación con 2 tipos de procesadores y p procesos PROCESO TIPOS DE PROCESADORES (SUNEt) 1 Necesidad de limitar la altura del mismo PROCESO Cada nodo lleva asociada 3 cotas: EET, LET, GET. Uso de técnicas de búsqueda en árboles para optimizar el modelo de tº ejecución PROCESO
45 Autooptimización en sistemas heterogéneos Desviación con respecto al tmb obtenido experimentalmente, de los tiempos obtenidos con diferentes métodos y usuarios en una combinación de TORC 1 17P4 + 1 Ath + 1 SPIII + 8 DPIII (a) y 1 Ath + 1 SPIII + 8 DPIII (b) Cantidad Granularidad cp1 cp2 ue uc uv Cantidad Granularidad cp1 cp2 ue uc uv ,00 0,00 0,18 0,43 0, ,35 0,38 0,40 0,51 0, ,40 0,00 0,24 0,27 0, ,88 0,48 0,48 0,37 0, ,39 0,00 0,05 0,25 0, ,88 0,49 0,02 0,33 0, ,00 0,00 0,14 0,67 0, ,07 0,07 0,09 0,34 0, ,61 0,01 0,43 0,90 0, ,83 0,53 0,53 0,93 0, ,72 0,07 0,00 0,82 0, ,02 0,68 0,07 1,13 0, ,00 0,00 0,14 0,66 0, ,00 0,09 0,06 0,32 0, ,61 0,00 0,48 0,76 1, ,01 0,00 0,00 0,24 0, ,61 0,00 0,92 0,76 0, ,00 0,12 0,18 0,36 0,32 PROMEDIO 0,37 0,01 0,29 0,61 0,48 PROMEDIO 0,45 0,32 0,20 0,50 0,18 TOTAL 0,56 0,01 0,59 0,73 0,84 TOTAL 0,14 0,12 0,18 0,36 0,32 a) b) 45
46 Autooptimización en sistemas heterogéneos Resultados de simulaciones diversas 14 SISTEMA L=Gr, G=Gr GrPe ue uc uv 12 SIMUL5 4,72 6,08 18,26 10,44 18,26 SIMUL10 5,72 5,72 6,16 9,03 6,29 SIMUL20 1,62 1,62 3,97 2,51 4,00 SIMUL30 10,14 6,28 5,44 8,86 7,30 SIMUL50 1 1,00 13,14 6,50 13,14 SIMUL ,00 8,51 3,91 9,06 TOTAL 24,2 21,70 55,48 41,25 58, ue/g rp e L=G r,g =G r/g rp e uc /G rp e uv /G rp e S IM U L5 S IM U L10 S IM U L20 S IM U L30 S IM U L50 S IM U L100 T O T A L 46
47 METAHEURÍSTICAS EN LA AUTOOPIMIZACIÓN 47
48 Metaheurísticas en la autooptimización OBJETIVO FINAL min tº ejec Minimización analítica Minimización numérica Métodos exhaustivos Métodos aproximados Métodos heurísticos 48
49 Metaheurísticas en la autooptimización Esquema General de las Metaheurísticas Inicializar(S) while no se cumple CondiciondeFin(S) do SS = ObtenerSubconjunto(S); if SS >1 then SS1= Combinar(SS); else SS1=SS; end end SS2 = Mejorar(SS1); S = IncluirSoluciones(SS2) 49
50 Metaheurísticas en la autooptimización Esquema de la tećnica de Búsqueda Dispersa (particularización) CrearConjuntoInicial S; GenerarConjuntoReferencia RS; while Convergencia no alcanzada do Seleccionar elementos a combinar; Combinar elementos seleccionados; Mejorar elementos combinados; ActualizarConjuntoReferencia RS con los elementos más prometedores y los más dispersos end 50
51 Metaheurísticas en la autooptimización Mapeo como un problema de optimización Representación y codificación soluciones: (d o,d 1,..., d P-1 ) d i = nº procesos asignados al procesador i Gran cantidad de alternativas a la hora de instanciar el algoritmo: Generar el conjunto inicial de referncia Resultados Considerando número procesos 80% Aleatoriamente 20% Convergencia alcanzada Resultados Media 80% Mejores elementos 20% 51
52 Metaheurísticas en la autooptimización Comparación entre las posibilidades de opciones de selección e inclusión. Porcentaje en que mejora la búsqueda dispersa respecto al backtracking con poda Tiempos e iteraciones para diferentes métodos de selección e inclusión en el conjunto de referencia Seleccionar elementos Incluir Todos (TO) Mejores/dispersos (MD) Distancia euclídea (EU) 90% 85% Tiempo del modelo TO-EU TO-DI MD-EU MD-DI Diiferencia de componenetes (DI) 91% 86% Número de iteraciones
53 Metaheurísticas en la autooptimización Simulaciones para comparar Búsqueda dispersa y backtracking con poda backtracking con poda busqueda dispersa backtracking con poda busqueda dispersa 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 100% 100% 90% 90% 80% 80% 70% 70% 60% 60% 50% 50% 40% 40% 30% 30% 20% 20% 10% 10% 0% 0% pequeño grande pequeño grande pequeño grande Complejidad Complejidad Complejidad a) b) c) Tamaño Complejidad Backtracking Búsqueda dispersa Pequeño [1,...,100000] Pequeño [1,...,100] 92% 8% Pequeño [1,...,100000] Grande [100,...,400] 73% 27% Mediano [100000,...,500000] Pequeño [1,...,100] 42% 58% Mediano [100000,...,500000] Grande [100,...,400] 40% 60% Grande [500000,..., ] Pequeño [1,...,100] 22% 78% Grande [500000,..., ] Grande [100,...,400] 5% 95% 53
54 Metaheurísticas en la autooptimización Pruebas en Kipling backtracking con poda busqueda dispersa backtracking con poda busqueda dispersa 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% 100% 100% 90% 90% 80% 80% 70% 70% 60% 60% 50% 50% 40% 40% 30% 30% 20% 20% 10% 10% 0% 0% pequeño grande pequeño grande pequeño grande Complejidad Complejidad Complejidad a) b) c) Tamaño Complejidad Backtracking Búsqueda dispersa Pequeño [1,...,100000] Pequeño [1,...,100] 82% 18% Pequeño [1,...,100000] Grande [100,...,400] 80% 20% Mediano [100000,...,500000] Pequeño [1,...,100] 63% 37% Mediano [100000,...,500000] Grande [100,...,400] 59% 41% Grande [500000,..., ] Pequeño [1,...,100] 52% 48% Grande [500000,..., ] Grande [100,...,400] 47% 53% 54
55 Metaheurísticas en la autooptimización Relación entre tiempos de decisión y modelado en una simulación concreta t decisión t modelo Complejidad 100 Complejidad 400 Procesadores Tiempo modelo Tiempo decisión Tiempo modelo Tiempo decisión ,29 0,28 963,10 0, ,07 1,45 477,12 1, ,41 4,03 320,39 4, ,57 8,93 258,45 8, ,32 15,15 246,54 15,
56 CONCLUSIONES Y TRABAJOS FUTUROS 56
57 Conclusiones y Trabajos Futuros Optimización Autooptimización tº = f(s,ap,sp) Hipótesis investigación + Búsqueda óptimo Métodos exactos (Búsqueda exhaustiva) Alternativas Métodos aproximados Métodos metaheurísticos 57
58 Conclusiones y Trabajos Futuros Resultados generales en sistemas homogéneos(a), heterogéneos (b) y con el uso de metaheurísticas(c) 1, ,4 1,2 1 0,8 0, a) b) ue/grpe uc/grpe uv/grpe ue/l=gr,g=gr uc/l=gr,g=gr uv/l=gr,g=gr Complejidad mediano grande 0,4 0, SIMUL5 SIMUL10 SIMUL20 SIMUL30 SIMUL50 SIMUL100 SIMUL5 SIMUL10 SIMUL20 SIMUL30 SIMUL50 SIMUL100 0 uv /c p3 uc /c p3 ue/c p3 a) b) pequeño grande a) b) c) Tamaño 58
59 Conclusiones y Trabajos Futuros Aportaciones VecPar04. Sistemas homogéneos. HeteroPar04,Parallel Computing04. Sistemas heterogéneos. Para06, Maeb07. Metaheurísticas. Cluster07. ICCS08. Journal of Supercomping 09. Trabajos futuros Mejorar el modelado el tiempo de ejecución, sobre todo en sistemas heterogéneos Aplicación en diferentes esquemas algorítmicos (divide & conquer, master - slave, backtracking...) Metaheurísticas diversas (tabú, temple simulado, géneticos... Construcción de un entorno para la prueba y evaluación de metaheurísticas. 59
Grupo de Computación Científica y Programación Paralela Universidad de Murcia
Grupo de Computación Científica y Programación Paralela Universidad de Murcia http://www.um.es/pcgum/ Presentación Líneas de Investigación, Máster en Informática, Universidad de Murcia, diciembre 2013
Grupo de Computación Científica y Programación Paralela
Grupo de Computación Científica y Programación Paralela Universidad de Murcia domingo@um.es http://dis.um.es/~domingo Reunión de proyecto de investigación, Valencia, 12-13 noviembre 2009 Contents 1 El
Modelado y autooptimización en esquemas paralelos de backtracking
Modelado y autooptimización en esquemas paralelos de backtracking Manuel Quesada y Domingo Giménez Universidad de Murcia XX Jornadas de Paralelismo A Coruña, 18 Sept 2009 Índice 1 Introducción 2 Técnica
PARTE II: ALGORÍTMICA
Programa de teoría Parte I. Estructuras de Datos.. Abstracciones y especificaciones.. Conjuntos y diccionarios.. Representación de conjuntos mediante árboles. 4. Grafos. Parte II. Algorítmica.. Análisis
Paralelización de problemas de recorrido de árboles Trabajadores replicados y esquema maestro esclavo
Metodología de la Programación Paralela 2015-2016 Facultad Informática, Universidad de Murcia Esquemas algorítmicos paralelos: Paralelización de problemas de recorrido de árboles Trabajadores replicados
Paralelismo Relajado Paralelismo Síncrono
Metodología de la Programación Paralela Facultad Informática, Universidad de Murcia Esquemas algorítmicos paralelos: Paralelismo Relajado Paralelismo Síncrono Domingo Giménez (Universidad de Murcia) 1
Algoritmos en Árbol y Grafo Computación Pipeline
Metodología de la Programación Paralela 2015-2016 Facultad Informática, Universidad de Murcia Esquemas algorítmicos paralelos: Algoritmos en Árbol y Grafo Computación Pipeline Domingo Giménez (Universidad
Algoritmos y Estructuras de Datos II
27 de mayo de 2013 Clase de hoy 1 Repaso Divide y vencerás Algoritmos voraces 2 3 Divide y vencerás Algoritmos voraces Repaso cómo vs. qué 3 partes 1 análisis de algoritmos 2 tipos de datos 3 técnicas
Programa de teoría. Algoritmos y Estructuras de Datos II. 3. Algoritmos voraces. 1. Análisis de algoritmos 2. Divide y vencerás
Programa de teoría Algoritmos y Estructuras de Datos II 1. Análisis de algoritmos 2. Divide y vencerás 3. Algoritmos voraces 4. Programación dinámica 5. Backtracking 6. Ramificación y poda A.E.D. II 1
Divide y Vencerás Programación Dinámica
Metodología de la Programación Paralela Facultad Informática, Universidad de Murcia Esquemas algorítmicos paralelos: Divide y Vencerás Programación Dinámica Domingo Giménez (Universidad de Murcia) 1 /
Esquemas algorítmicos paralelos - Particionado y Paralelismo de Datos
Metodología de la Programación Paralela 2015-2016 Facultad Informática, Universidad de Murcia Esquemas algorítmicos paralelos - Particionado y Paralelismo de Datos Domingo Giménez (Universidad de Murcia)
Granularidad y latencia
Niveles de paralelismo y latencias de comunicación Niveles de paralelismo. Granularidad o tamaño de grano. Latencia de comunicación. Particionado de los programas. Empaquetado de granos. Planificación
C a l ses P P y y NP C a l se P C a l se N P N P [No N n o -De D te t rmin i i n s i ti t c i Polynomial-tim i e]
Análisis y Diseño de Algoritmos Introducción Análisis y Diseño de Algoritmos Concepto de algoritmo Resolución de problemas Clasificación de problemas Algorítmica Análisis de la eficiencia de los algoritmos
Multiplicación de Matrices en Sistemas cc-numa Multicore. Autor: Jesús Cámara Moreno Director: Domingo Giménez Cánovas
Multiplicación de Matrices en Sistemas cc-numa Multicore Autor: Jesús Cámara Moreno Director: Domingo Giménez Cánovas Índice de Contenido 1. Introducción 2. Línea de Investigación 3. Sistemas Empleados
Optimización de Rutinas Multinivel de Álgebra Lineal en Sistemas Multicore
Máster en Nuevas Tecnologías en Informática Facultad de Informática Universidad de Murcia Optimización de Rutinas Multinivel de Álgebra Lineal en Sistemas Multicore Autor: Jesús Cámara Moreno Directores:
Heurísticas en el recorrido de árboles de soluciones
Heurísticas en el recorrido de árboles de soluciones. Árboles de soluciones. Repaso de backtracking y branch and bound. Uso de heurísicas en backtracking 4. Uso de heurísticas en branch and bound . Árboles
COMPARACIÓN DE MODELOS DE SINCRONIZACIÓN EN PROGRAMACIÓN PARALELA SOBRE CLUSTER DE MULTICORES
COMPARACIÓN DE MODELOS DE SINCRONIZACIÓN EN PROGRAMACIÓN PARALELA SOBRE CLUSTER DE MULTICORES Autor: A.P.U. Enzo Rucci Director: Ing. Armando E. De Giusti Co-Director: Lic. Franco Chichizola Tesina de
Esquemas algorítmicos paralelos - Particionado y Paralelismo de Datos
Metodología de la Programación Paralela Facultad Informática, Universidad de Murcia Esquemas algorítmicos paralelos - Particionado y Paralelismo de Datos Domingo Giménez (Universidad de Murcia) 1 / 31
ALGORÍTMICA
ALGORÍTMICA 2012-2013 Parte I. Introducción a las Metaheurísticas Tema 1. Metaheurísticas: Introducción y Clasificación Parte II. Métodos Basados en Trayectorias y Entornos Tema 2. Algoritmos de Búsqueda
Búsqueda de errores en programas usando Java PathFinder y ACOhg
1 / 16 Búsqueda de errores en programas usando Java PathFinder y ACOhg Francisco Chicano y Enrique Alba Motivación Motivación El Software actual es difícil de testar por simple inspección...... y se encuentra
Computación en Internet: Librería MALLBA para problemas de optimización
Computación en Internet: Librería MALLBA para problemas de optimización Maria J. Blesa Jordi Petit Fatos Xhafa Departament de Llenguatges i Sistemes Informàtics Universitat Politècnica de Catalunya Campus
Diseño de algoritmos paralelos
Diseño de algoritmos paralelos Curso 2011-2012 Esquema del capítulo Visión general de algunos algoritmos serie. Algoritmo paralelo vs. Formulación paralela Elementos de un Algoritmo paralelo Métodos de
CAPÍTULO 3. GRASP (Greedy Randomized Adaptive Search Procedures). Los problemas de optimización surgen de las situaciones de aplicación práctica.
CAPÍTULO 3 GRASP (Greedy Randomized Adaptive Search Procedures). Los problemas de optimización surgen de las situaciones de aplicación práctica. Estos problemas se aplican en distintas áreas, tales como:
Introducción a las RdP. Optimización basada en redes de Petri. Redes de Petri. Son objeto de estudio: RdP. Ejemplos:
Seminario sobre toma de decisiones en logística y cadenas de suministro Introducción a las RdP Optimización basada en redes de Petri https://belenus.unirioja.es/~emjimene/optimizacion/transparencias.pdf
Introducción a la Investigación Operativa
Introducción a la Investigación Operativa José María Ferrer Caja Universidad Pontificia Comillas Definición Conjunto de métodos científicos que se aplican para mejorar la eficiencia de las operaciones,
Técnicas de aprendizaje sobre series temporales
Técnicas de aprendizaje sobre series temporales Contenido 1. Motivación. 2. Ejemplo del Problema. 3. Aproximaciones al problema de clasificación de series temporales. 4. Aprendizaje de reglas. 5. Boosting
Optimización matemática en procesos industriales. Aplicación al estudio de aparatos de tratamiento de alimentos por campos eléctricos.
Optimización matemática en procesos industriales. Aplicación al estudio de aparatos de tratamiento de alimentos por campos eléctricos. Alfonso Fernández Bes Máster en Tratamiento Estadístico-Computacional
PROGRAMA: COMPUTACION I
UNIVERSIDAD NACIONAL EXPERIMENTAL DEL TACHIRA VICERECTORADO ACADÉMICO DECANATO DE DOCENCIA DEPARTAMENTO DE INGENIERÍA INFORMÁTICA 1 PROGRAMA: COMPUTACION I Código 0415102T Carrera: Ingeniería Informática
Programación dinámica
Parte de Algoritmos de la asignatura de Programación Master de Bioinformática Programación dinámica Web asignatura: http://dis.um.es/~domingo/algbio.html E-mail profesor: domingo@um.es Transparencias preparadas
Relación de Ejercicios. Programación Paralela 4º de Grado en Ingeniería Informática.
1. Por qué el modelo de programación que se sigue al programar con MPI es independiente de la asignación? 2. Describir gráficamente una solución eficiente para realizar una operación de reducción global
Programación Automática de FPGAs desde lenguajes de alto nivel para aplicaciones multimedias
Programación Automática de FPGAs desde lenguajes de alto nivel para aplicaciones multimedias Depto. de Ingeniería y Ciencia de los Computadores. Grupo de Arquitectura Avanzada de Computadores y Computación
Introducción al Análisis y Diseño de Algoritmos
Dr. Eduardo A. RODRÍGUEZ TELLO CINVESTAV-Tamaulipas 10 de enero de 2018 Dr. Eduardo RODRÍGUEZ T. (CINVESTAV) Introducción al ADA 10 de enero de 2018 1 / 22 1 Introducción al Análisis y Diseño de Algoritmos
Ampliación de Algoritmos y Estructura de Datos Curso 02/03. Ejercicios
272. En un problema determinado, una solución está dada por una tupla de n elementos (x, x 2,..., x n ). Para cada elemento existen en total m posibles valores. Comparar el número de nodos generados para
Unidad II: Análisis semántico
Unidad II: Análisis semántico Se compone de un conjunto de rutinas independientes, llamadas por los analizadores morfológico y sintáctico. El análisis semántico utiliza como entrada el árbol sintáctico
TESIS DOCTORAL. Juan Pedro Martínez Gallar UNIVERSIDAD DE MURCIA DEPARTAMENTO DE INFORMÁTICA Y SISTEMAS. Diciembre 2009
TESIS DOCTORAL AUTOOPTIMIZACIÓN EN ESQUEMAS ALGORÍTMICOS PARALELOS ITERATIVOS Juan Pedro Martínez Gallar UNIVERSIDAD DE MURCIA DEPARTAMENTO DE INFORMÁTICA Y SISTEMAS Diciembre 2009 Directores : Dr. Domingo
Ángel Luis Calvo Ortega Algoritmos y Programación Paralela Curso
Ángel Luis Calvo Ortega Algoritmos y Programación Paralela Curso 2006-2007 Página 1 Introducción Algoritmo de búsqueda Local mejorado Uso de memoria Ideado por Fred Glover Meta-heurístico Últimos movimientos
Antonio Carrillo Ledesma Ismael Herrera Revilla
Universidad Nacional Autónoma de México Instituto de Geofísica Aplicación del Cómputo Paralelo a la Modelación de Sistemas Continuos en Ciencias e Ingeniería Mediante el Método FETI Dual-Primal Presentan:
Tema 1. Heurísticos en Optimización Combinatorial
Tema 1. Heurísticos en Optimización Combinatorial p. 1/2 Tema 1. Heurísticos en Optimización Combinatorial Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e
Programación Lineal. María Muñoz Guillermo Matemáticas I U.P.C.T. M. Muñoz (U.P.C.T.) Programación Lineal Matemáticas I 1 / 13
Programación Lineal María Muñoz Guillermo maria.mg@upct.es U.P.C.T. Matemáticas I M. Muñoz (U.P.C.T.) Programación Lineal Matemáticas I 1 / 13 Qué es la Programación Lineal? Introducción La Programación
Herramientas para el estudio de prestaciones en clusters de computación científica, aplicación en el Laboratorio de Computación Paralela
Introducción Herramientas Estudio Conclusiones Herramientas para el estudio de prestaciones en clusters de computación científica, aplicación en el Laboratorio de Computación Paralela Ingeniería en Informática
Universidad Nacional Autónoma de México Instituto de Geofísica
Universidad Nacional Autónoma de México Instituto de Geofísica Aplicación del Cómputo Paralelo a la Modelación de Sistemas Continuos en Ciencias e Ingeniería Presentan: Antonio Carrillo Ledesma Ismael
Alineamiento múltiple de secuencias
Dr. Eduardo A. RODRÍGUEZ TELLO CINVESTAV-Tamaulipas 11 de junio del 2013 Dr. Eduardo RODRÍGUEZ T. (CINVESTAV) Alineamiento múltiple de secuencias 11 de junio del 2013 1 / 39 1 Alineamiento múltiple de
Algoritmos Matriciales por Bloques
Master en Nuevas Tecnologías en Informática Programación Paralela y Computación de Altas Prestaciones Algoritmos Matriciales por Bloques Javier Cuenca & Domingo Giménez Grupo de Investigación en Computación
Algoritmos Matriciales por Bloques
Master en Nuevas Tecnologías en Informática Programación Paralela y Computación de Altas Prestaciones Algoritmos Matriciales por Bloques Javier Cuenca & Domingo Giménez Grupo de Investigación en Computación
Metaheurísticas
UNIVERSIDAD DE GRANADA E.T.S.I. INFORMÁTICA Y TELECOMUNICACIÓN Departamento de Ciencias de la Computación e Inteligencia Artificial Metaheurísticas http://sci2s.ugr.es/graduatecourses/metaheuristicas https://decsai.ugr.es
JUSTIFICACIÓN: PRE-REQUISITOS: OBJETIVOS GENERALES: * Programa de asignatura propuesto por los Prof. Malinda Coa y Angel Zambrano.
Universidad de Los Andes Facultad de Ciencias Económicas y Sociales Escuela de Estadística Departamento de Estadística Cátedra de Computación Nombre de la Asignatura: COMPUTACIÓN I* Código: 6012 Créditos:
Intensificación en "Lenguajes e Inteligencia Artificial"
Ingeniería Informática - ETS Informática Métodos y Técnicas Informáticas específicas. Comportamientos humanos que se quieren simular/emular: IA: Vertiente "cognitiva" : Razonamiento, Intelecto,. RF: Vertiente
Cómputo Paralelo en Redes Locales de Computadoras
Cómputo Paralelo en Redes Locales de Computadoras Departament d Informàtica Unitat d Arquitectura d Ordinadors i Sistemes Operatius Memoria presentada por Fernando G. Tinetti para optar al grado de Doctor
Son una clase particular de los algoritmos evolutivos.
Algoritmos Genéticos (AGs) Los AGs son técnicas de resolución para problemas de Búsqueda Optimización Aprendizaje en máquinas Son una clase particular de los algoritmos evolutivos. Los AGs intentan resolver
Programación II. Mario Aldea Rivas Programación II 04/04/11 1. Mario Aldea Rivas Programación II 04/04/11 2
Programación II Bloque temático 1. Lenguajes de programación Bloque temático 2. Metodología de programación Bloque temático 3. Esquemas algorítmicos Tema 5. Algoritmos voraces, heurísticos y aproximados
Depto. Sistemas I.O. y Computación. informáticos y Computación Univ. La Laguna
Sobre el papel de la programación paralela en los nuevos planes de estudios de informática Francisco Almeida Domingo Giménez José M. Mantas Antonio M. Vidal Depto. Estadística, Depto. Informática y Depto.
Cómputo Paralelo y Multicore en el Seno de las Tecnologías de la Información. Dr. Victor M. Larios Rosillo
Cómputo Paralelo y Multicore en el Seno de las Tecnologías de la Información Dr. Victor M. Larios Rosillo vmlarios@cucea.udg.mx Plan Perspectiva de TI Orientación Motivaciones Doctorado Proyectos Caso
Colección de Tesis Digitales Universidad de las Américas Puebla. Romero Martínez, Modesto
1 Colección de Tesis Digitales Universidad de las Américas Puebla Romero Martínez, Modesto El procesamiento de consultas en un sistema multibase de datos es la pieza mas importante para la operación del
PARTE II: ALGORÍTMICA
PARTE II: ALGORÍTMICA 5.. Método general 5.2. Análisis de tiempos de ejecución 5.3. Ejemplos de aplicación 5.3.. Problema de la mochila 0/ 5.3.2. Problema de la asignación 5.3.3. Resolución de juegos A.E.D.
Universidad de Costa Rica Facultad de Ingeniería Escuela de Ciencias de la Computación e Informática Licenciatura en Computación e Informática
Universidad de Costa Rica Facultad de Ingeniería Escuela de Ciencias de la Computación e Informática Licenciatura en Computación e Informática Plan de Estudios 2008 (Modificado: Resolución VD-8687-2011)
Análisis de algoritmos
Tema 02: Complejidad de los algoritmos M. en C. Edgardo Adrián Franco Martínez http://www.eafranco.com edfrancom@ipn.mx @edfrancom edgardoadrianfrancom 1 Contenido Algoritmo Algoritmo vs. Proceso Computacional
UNIDAD II Metodología de programación paralela. Lic. Jesús Germán Andrés PAUTSCH - FCEQyN - UNaM
UNIDAD II Metodología de programación paralela UNIDAD II: Metodología de programación paralela Metodología de programación paralela Algunos conceptos que nos ayudarán a entender mejor el tema. Modelos
Apuntes de Teórico PROGRAMACIÓN 3
Apuntes de Teórico PROGRAACIÓN Programación Dinámica Versión. Índice Índice... Introducción... Principio de optimalidad...5 Ejemplo: Camino de menor costo...6 Ejemplo: problema de la mochila...6 Aplicación
Programación II. Mario Aldea Rivas Programación II 05/05/11 1
Programación II Bloque temático 1. Lenguajes de programación Bloque temático 2. Metodología de programación Bloque temático 3. Esquemas algorítmicos Tema 4. Introducción a los Algoritmos Tema 5. Algoritmos
Máster en Tecnologías de la Información
Máster en Tecnologías de la Información Asignaturas x concentración CONCENTRACIÓN (Módulo) Informática en la Empresa - Grupo I 33 Effective Communication in Professional Environments 4 Estrategias para
Sistemas Operativos Distribuidos
Contenidos del Tema Gestión de procesos Modelos de sistema Asignación de procesadores Estrategias dinámicas Estrategias estáticas Ejecución remota de procesos Modelos de sistema Organización de los procesadores
Clasificación Clasific NO SUPERV SUPER ISAD IS A AD AGRUPAMIENTO
Clasificación NO SUPERVISADA AGRUPAMIENTO Clasificación No Supervisada Se trata de construir clasificadores sin información a priori, o sea, a partir de conjuntos de patrones no etiquetados Objetivo: Descubrir
Algoritmos de búsqueda con espacio de memoria limitado
Algoritmos de búsqueda con espacio de memoria limitado Los métodos de búsqueda por primero el mejor, tales como A, no escalan bien a grandes problemas de búsqueda debido a su consumo de memoria, mientras
Programación Dinámica
Programación Dinámica La técnica de programación dinámica se aplica en general a problemas de optimización. l igual que "dividir y conquistar", el problema es dividido en subproblemas de tamaños menores
Algoritmos y Estructuras de Datos Curso 04/05. Ejercicios
0. En un problema determinado, una solución está dada por una tupla de n elementos (x, x,..., x n ). Para cada elemento existen en total m posibles valores. Comparar el número de nodos generados para resolver
Aspectos computacionales de la resolución y obtención de Modelos de Ecuaciones Simultáneas
Aspectos computacionales de la resolución y obtención de Modelos de Ecuaciones Simultáneas Espín dirigida por: Domingo Giménez diciembre de 2009 Esquema 1 Introducción 2 Descripción Teórica 3 MC2E basado
Subdirección Académica Instrumentación Didáctica para la Formación y Desarrollo de Competencias Profesionales Periodo escolar: Agosto Diciembre 2017
Subdirección Académica Instrumentación Didáctica para la Formación y Desarrollo de s Profesionales Periodo escolar: Agosto Diciembre 2017 Nombre de la asignatura: Fundamentos de Programación Plan de estudios:
Ejemplo: El problema de la mochila. Algoritmos golosos. Algoritmos y Estructuras de Datos III. Segundo cuatrimestre 2013
Técnicas de diseño de algoritmos Algoritmos y Estructuras de Datos III Segundo cuatrimestre 2013 Técnicas de diseño de algoritmos Algoritmos golosos Backtracking (búsqueda con retroceso) Divide and conquer
Paralelismo. MPI Paso de mensajes. Francisco García Sánchez Departamento de Informática y Sistemas
Paralelismo MPI Paso de mensajes Francisco García Sánchez Departamento de Informática y Sistemas Contenido Introducción 1) Uso de MPI 2) Multiplicación de matrices 3) Ordenación por mezcla 4) Programación
PLANIFICACIÓN DE LA DOCENCIA UNIVERSITARIA GUÍA DOCENTE. Programación Concurrente
CENTRO UNIVERSITARIO DE TECNOLOGÍA Y ARTE DIGITAL PLANIFICACIÓN DE LA DOCENCIA UNIVERSITARIA GUÍA DOCENTE Programación Concurrente 1. DATOS DE IDENTIFICACIÓN DE LA ASIGNATURA. Título: Facultad: Máster
ACTIVIDAD CURRICULAR DE FORMACIÓN
ACTIVIDAD CURRICULAR DE FORMACIÓN Facultad o Instituto : Ciencias de la Ingeniería Carrera : Ingeniería Civil Informática I. IDENTIFICACIÓN DE LA ACTIVIDAD CURRICULAR Nombre : Diseño y Análisis de Algoritmos
Nociones básicas de computación paralela
Nociones básicas de computación paralela Javier Cuenca 1, Domingo Giménez 2 1 Departamento de Ingeniería y Tecnología de Computadores Universidad de Murcia 2 Departamento de Informática y Sistemas Universidad
ALGORÍTMICA. Dpto. Ingeniería de Sistemas y Automática Facultad de Ciencias Universidad de Valladolid.
ALGORÍTMICA Dpto. Ingeniería de Sistemas y Automática Facultad de Ciencias Universidad de Valladolid. Indíce Algoritmo Elementos de un algoritmo: Variables, Constantes, Expresiones Datos: Definición y
obtenido de la fusión de dos rutas y la posterior asignación a un vehículo con capacidad disponible.
El problema VRP, y por tanto su variante con flota heterogénea, son problemas de optimización combinatoria complejos que caen en la categoría de NP-completo (Choi and Tcha, 2007), lo que significa que
Práctica 2 - Ejercicio 2.8
Algoritmos y Estructura de Datos III Facultad de Ciencias Exactas y Naturales, Universidad de Buenos Aires 27 de Marzo de 2013 2.8 - Euclides 2.8. a. Escribir el algoritmo de Euclides para calcular el
Arquitecaura de Computadoras Tema 1 - Introducción a la Arquitectura de Computadoras
1121025 Arquitecaura de Computadoras - Introducción a la Arquitectura de Computadoras Eduardo Rodríguez Martínez Departamento de Electrónica División de Ciencias Básicas e Ingeniería Universidad Autónoma
Metaheurísticas y heurísticas. Algoritmos y Estructuras de Datos III
Metaheurísticas y heurísticas Algoritmos y Estructuras de Datos III Metaheurísticas Heurísticas clásicas. Metaheurísticas o heurísticas modernas. Cuándo usarlas? Problemas para los cuales no se conocen
UNIVERSIDAD NACIONAL DE TUCUMÁN
UNIVERSIDAD NACIONAL DE TUCUMÁN Facultad de Ciencias Exactas y Tecnología SISTEMAS DE POTENCIA TRABAJO PRÁCTICO Nº 3 Cálculo de Flujo de Potencia ALUMNO: AÑO 2015 INTRODUCCIÓN Los estudios de flujo de
Simulated Annealing & Tabu Search
Simulated Annealing & Tabu Search Arturo Díaz Pérez Sección de Computación Departamento de Ingeniería Eléctrica CINVESTAV-IPN Av. Instituto Politécnico Nacional No. 2508 Col. San Pedro Zacatenco México,
Grafos Eulerianos y Hamiltonianos. Algoritmos y Estructuras de Datos III
Grafos Eulerianos y Hamiltonianos Algoritmos y Estructuras de Datos III Grafos eulerianos Definiciones: Un circuito C en un grafo (o multigrafo) G es un circuito euleriano si C pasa por todos las aristas
a) Para calcular los órdenes sólo es necesario contar el número de veces que se pasa por el bucle más interno. El coste sería n
EXAMEN DE ALGORÍTMICA. Segundo Ingeniería Técnica en Informática de Gestión y de Sistemas. Diciembre 2003 1) (3 puntos) El siguiente programa obtiene la subcadena más larga de números iguales dentro de
Algoritmos mas complejos. Algoritmos y Estructuras de Datos II (Programación I) Mgter. Vallejos, Oscar A.
Algoritmos mas complejos Divide y Vencerás Técnica empleada en cosas dispares. También en el diseño de algoritmos. (ordenación: Quicksort; Mergesort). Consiste básicamente en dividir un problema original
CONCLUSIONES Y FUTURAS LINEAS DE INVESTIGACIÓN
CONCLUSIONES Y FUTURAS LINEAS DE INVESTIGACIÓN 9 279 Sistema de generación eléctrica con pila de combustible de óxido sólido alimentado con residuos forestales y su optimización mediante algoritmos basados
W_ILU_GMRES. UNA ESTRATEGIA PARA SISTEMAS DE ECUACIONES LINEALES DENSOS
W_ILU_GMRES. UNA ESTRATEGIA PARA SISTEMAS DE ECUACIONES LINEALES DENSOS Angela León, Marta Lourdes Baguer, Yisleidy Linares, Universidad de La Habana Lilian Villarín, Universidad de Heidelberg, Alemania
CARACTERIZACION DE PROBLEMAS A SOLUCIONAR MEDIANTE PROGRAMACIÓN MULTIPROCESO DE MEMORIA COMPARTIDA. Autor ERIKA VIVIANA RIAÑO BEJAR
CARACTERIZACION DE PROBLEMAS A SOLUCIONAR MEDIANTE PROGRAMACIÓN MULTIPROCESO DE MEMORIA COMPARTIDA Autor ERIKA VIVIANA RIAÑO BEJAR Director JOSE ORLANDO MALDONADO BAUTISTA DEPARTAMENTO DE INGENIERÍAS ELÉCTRICA
ÍNDICE INTRODUCCIÓN...13
ÍNDICE INTRODUCCIÓN...13 CAPÍTULO 1. LENGUAJE ALGORÍTMICO...15 1.1 DEFINICIÓN DE ALGORITMO...16 1.2 LA ROTACIÓN DE UNA LISTA DE NÚMEROS NATURALES...20 1.3 CUESTIONES...23 1.3.1 Dos comerciales en el restaurante...23
CAPÍTULO 4 METODOLOGÍA PROPUESTA
CAPÍTULO 4 METODOLOGÍA PROPUESTA En este capítulo, se describen los métodos utilizados en el procedimiento propuesto para obtener soluciones del PLIDMC. En la actualidad, muchos de los problemas de optimización
Algoritmo Cuántico de Búsqueda Paralelo
Marcos Barreto Add your company slogan Agenda 1 Complejidad y el Problema 3 SAT 2 Computación Cuántica 3 Algoritmo de Shenvi 4 Algoritmo de Shenvi con vecindad 5 Algoritmo de Shenvi paralelo híbrido 6
Coloreo de vértices Definiciones: Coloreo de Grafos. Cotas para χ Proposición: Si H es un subgrafo de G entonces χ(h) χ(g).
Coloreo de vértices Definiciones: Coloreo de Grafos Algoritmos y Estructuras de Datos III Un coloreo (válido) de los vértices de un grafo G = (V, X ) es una asignación f : V C, tal que f (v) f (u) (u,
La Máquina de Acceso Aleatorio (Random Access Machine)
La Máquina de Acceso Aleatorio (Random Access Machine) Nuestro modelo de cómputo secuencial es la máquina de acceso aleatorio (RAM, Random Access Machine) mostrada en la Figura 2.1, y que consiste de:
Backtracking: Esquema General
Backtracking Idea: Técnica para recorrer sistemáticamente todas las posibles configuraciones de un espacio asociado a soluciones candidatos de un problema computacional. Se puede pensar este espacio tiene
Identificación de SIStemas
Identificación de SIStemas Dr. Juan Carlos Gómez Laboratorio de Sistemas Dinámicos y Procesamiento de la Información FCEIA, Universidad Nacional de Rosario jcgomez@fceia.unr.edu.ar www.fceia.unr.edu.ar/isis
Identificación de SIStemas
Identificación de SIStemas Dr. Juan Carlos Gómez Laboratorio de Sistemas Dinámicos y Procesamiento de la Información FCEIA, Universidad Nacional de Rosario jcgomez@fceia.unr.edu.ar www.fceia.unr.edu.ar/isis
Tema: Recorrido de Grafos. Ruta más corta
PED104. Guía N 12 Página 1 Facultad: Ingeniería Escuela: Computación Asignatura: Programación con Estructuras de Datos Tema: Recorrido de Grafos. Ruta más corta Competencia Desarrolla sistemas de información
Búsqueda Informada. Algoritmos primero el mejor Algoritmos de búsqueda local
Búsqueda Informada Algoritmos primero el mejor Algoritmos de búsqueda local Algoritmos primero el mejor Búsqueda primero el mejor Búsqueda Voraz A* Algoritmos primero el mejor Familia de algoritmos de
Problema de Localización de Plantas con Capacidades y Distancias Limitadas
Problema de Localización de Plantas con Capacidades y Distancias Limitadas Reunión de coordinación OPTIMOS M. Albareda-Sambola, E. Fernández, G. Laporte Universitat Politècnica de Catalunya HEC-Montréal
CONCLUSIONES. 1. La implementación del Recocido Simulado V.2 es una versión fácil de
CONCLUSIONES 1. La implementación del Recocido Simulado V.2 es una versión fácil de utilizar, sencilla en codificación, ocupa poco espacio en disco; haciéndolo un software manejable y adaptable a cualquier