computação distribuída do algoritmo genético compacto usando web services

Computação distribuída do Algoritmo Genético Compacto

usando Web Services

Samuel Viana, nº 18778Licenciatura em Informática – Ramo

TecnológicoOrientador: prof. Fernando Lobo

“Road-Map”

• Web Services • Algoritmo Genético Compacto (cGA) • cGA usando Web Services• Resultados• Conclusão e Trabalho Futuro

Web Services - Motivação

• Arquitecturas diversas

• Necessidade em integrar serviços

• Necessária linguagem comum que permita a interoperabilidade

Web Services - Definição

• Forma de integrar e trocar e informação entre sistemas concebidas sob plataformas diferentes, usando um formato de texto conhecido por XML.

Vantagens

• Acessíveis a partir de qualquer parte da Internet

• Atravessam firewall’s e proxy’s

• Independentes da plataforma

• Baseados em XML

• Interacção entre aplicações sem intervenção humana• Diminuem complexidade e custos ligados à

integração

Web Services (Arquitectura)

Suporte para Web Services

• Necessidade de um formato de transmissão de informação que permita:– Propagá-la facilmente– Criar uma estrutura que facilite o acesso ao item

desejado

• Vantagens da estrutura:– Validação– Reutilização– Normalização

XML• XML -> “eXtended MarkUp Language”

– Linguagem composta por anotações (Mark-Up)– Orientada para o conteúdo– Ideal para acesso rápido– Legível para humanos– Define estrutura em árvore

HTML

HEAD

BODY

XML

• Características principais:– Extensível – Estruturada– Validação

• Meta-Linguagem

• Gramática definida por DTD ou XML Schemas

Web Services

<receita> <ingredientes> <ingrediente> farinha em pó </ingrediente> <ingrediente> 0,5 litros leite </ingrediente> <ingrediente> 2 ovos </ingrediente>

</ingredientes></receita>

Exemplo de um documento XML

XML Schemas<schema xmlns="http://www.w3.org/2001/XMLSchema> <element

name="receita"> <complexType> <sequence> <element ref="ingredientes" maxOccurs="1" /> </sequence> </complexType> </element> <element name="ingredientes"> <complexType> <sequence> <element ref="ingrediente" maxOccurs="unbounded" /> </sequence> </complexType> </element> <element name="ingrediente" type="string" /></schema>

WSDL

• WSDL -> “Web Services Definition Language”

• Baseado em XML

• Define interface de acesso

• Cada linguagem de programação deve transpô-lo para código nativo

SOAP

SOAP -> Simple Object Access Protocol• Protocolo baseado em XML• Define o formato das mensagens• Qualquer protocolo da camada de aplicação, mas

geralmente usa HTTP• Elemento Raíz é <ENVELOPE>• Envelope divide-se em cabeçalho e corpo

SOAPExemplo de uma mensagem SOAP

SOAPMensagem SOAP (sentido request)

SOAPMensagem SOAP (sentido response)

Algoritmos Genéticos

• Orientado para problemas de pesquisa e optimização

• Resolvem numa escala de tempo muito inferior• Um cromossoma: composto por genes• Genes assumem valor 0 ou 1• População representa todas as soluções

actualmente disponíveis

um cromossoma de 10 bit’s representa uma potencial solução

1011100010


• Função de Fitness mede a qualidade da solução

• Indivíduos comparáveis graças ao fitness

• Selecção para cruzar os melhores indivíduos

• Nova geração terá um fitness médio mais elevado

• Deste modo, ao fim de n gerações a convergência será atingida


• Operadores de Selecção:

– Roleta

– Torneio

016510

Algoritmo Genético Compacto

1 0 1 0 0

1 1 0 0 0

1 0 1 0 0

1 0 1 0 0

1 1 1 0 0

1 1 0 0 0

1 0 0 0 0

1 1 0 0 0

1 1 1 0 0

1 0 1 1 0

1,0

0,5

0,6

0,1

0,0

A população é substituída por um vector de probabilidades, também conhecido por vector população.

1. É inicializado um vector com todas as posições a 0,5

2. São gerados s indivíduos a partir do vector, sendo s a pressão de selecção

3. É calculado o fitness de cada indivíduo4. É efecutado um torneio entre os s indivíduos,

sendo vencedor o indivíduo de melhor fitness5. O vector é actualizado através da comparação

bit a bit entre vencedor e vencido.6. Verifica-se se o vector convergiu, caso contrário,

volta-se ao passo 2

Algoritmo Genético Compacto (cGA)

Exemplo do cGAProblema One-Max (contar o

número de uns) 001011 1110100.5 1.0 0.0 0.7 0.2 0.5

3

4111010

Selecção por torneio

Exemplo do cGAActualização do vector população

001011

0.50.20.70.01.00.5

111010

Exemplo do cGAActualização do vector população

001011

0.60.30.70.01.00.4

111010

Computação Distribuída

• Aproveita-se os ciclos de CPUs desocupados

• Conectividade global da Internet permite a difusão

• O seu somatório permite ter o mesmo efeito de um supercomputador

• O SETI@home ajudou a popularizar o modelo

cGA distribuído

• O vector é uma representação compacta de uma população

• Única desvantagem: o comprimento do vector

• Facilmente distribuído pela Internet

Arquitecutra Worker/Manager

• Foi proposta (Lobo,2005) uma arquitectura que explora esta possibilidade

• Existem dois tipos de entidades: worker e manager

• Um Manager – gera o vector população

• Múltiplos Worker s– processam o vector

Worker/Managermanager

worker

Worker/Managermanager

worker worker worker workerworker

Worker/Manager

Vantagens: Custos de sincronização baixos Tolerância a falhas Escalabilidade

Aplicação• Função de teste utilizada (10 trap’s concatenadas totalizando

um total de 30 bits)• Problema complicado de resolver para o cGA (Harik,

Goldberg, Lobo, 1999), sendo necessário um efectivo populacional enorme

o representa o número de uns

Simulação em série

• Não é usada uma rede real

• Manager e workers correm na mesma máquina

• Série tem mesmos efeitos que em paralelo

• Um manager

• P workers, que trabalham à mesma velocidade e arrancam ao mesmo tempo


• Condições da experiência– Efectivo populacional N=100 000– Indivíduos representados por cromossomas de 30 bits– Pressão de selecção 8– Selecção por torneio– Função de 10 trap’s sobre 3 bits com deceive-to-optimal

ratio 0,7– Combinações de P em

{1,2,4,8,16,32,64,128,256,512,1024} com m em {8,80,800,8000,80000}.

– Cada combinação diferente foi executada 30 vezes

Simulação em sérieNúmero de cálculos de cada worker

Simulação em sérieTotal de contactos por processador worker


Análise dos resultados• Valores elevados de m diminuem o número de

comunicações, enquanto valores baixos o aumentam

• Redução quase linear entre P e o total de cálculos necessários para atingir a convergência (não se verifica para m= 8000 e m=80000).

• Contactos reduzem-se com m• Contactos inversamente proporcionais a P

cGA distribuído por Web Services

• Meios utilizados:– Java 5

– Servidor de Java Server Pages Apache Tomcat

– Apache Axis

A escolha da Java

• Orientada a objectos• Simplicidade, experiência e à vontade

• Interoperabilidade dos WS pode ser melhor explorada por uma linguagem multi-plataforma

• Por ser imediatamente portável, as potencialidades de uma nova plataforma são exploradas de imediato

• Suporta threads nativamente

Modificações à proposta original

• Não foi possível concretizar as ideias originais do projecto:

– Falta de tempo

– Objectivos ambiciosos

– Falta de recursos humanos e logísticos

Modificações à proposta original

• Como alternativa:

– Substituir um processador worker individual por uma thread

O que são threads ?

• Tradicionalmente, o CPU está ocupado apenas por uma tarefa

O que são threads ?

• Com threads, repartimos a actividade do CPU em várias tarefas simultaneamente

•Deste modo, é como se tivéssemos vários CPUs num

Processo de Geração do Código

WSDL

wsdl2java

java java java java java java java java

Funções Web Services

CreateNewPopulationVector

O cliente pede ao servidor para inicializar um novo vector

DownloadPopulationVector

Envia um novo vector a uma thread worker

SendPopulationVector O worker envia as diferenças para o servidor manager

Esquema Geral

Creat

eNew

Popul

atio

nVec

tor

m,p

opsi

ze,s

Cliente

Servidor

initD

ata

Esquema Geral

Dow

nloa

dPop

ulat

ionV

ecto

rD

ownl

oadP

opul

atio

nVec

tor D

ownloadP

opulationVector

Dow

nloadPopulationV

ectorm,popsize,s

m,popsize,sm,popsize,s

m,popsize,s

Esquema Geral

SendP

opul

atio

nVec

tor

Sen

dPop

ulat

ionV

ecto

r SendP

opulationVector

SendPopulationV

ector

Condições da experiência

• Parâmetros dos GA idênticos às da simulação• Dois computadores da sala de projectos

– Cliente : AMD Athlon XP 2000+, 768 MB de RAM– Servidor: Pentium III 666 MHz, 192 MB de RAM– Hub rede 100 MB

• 128 threads simultâneas no máximo• Máximo 5 execuções por combinação P/m por

limitações impostas pela rede da sala saturar com m=8

Resultados da execução com Web Services

Número de cálculos de fitness

Resultados da execução com Web Services

Número de contactos servidor/threads

Comparação de resultadosNúmero de cálculos de fitness

Web Services Simulação

Comparação de resultadosNúmero de contactos

Web Services Simulação

Análise dos resultados

• Quanto maior P são reduzidos globalmente:– o número de comunicações– cálculos de fitness

• O aumento de m:– diminui o número de contactos– não altera substancialmente o número de cálculos de

fitness– Para m = 80000, a relação linear perde-se a partir de

P=8

Interpretação

• Aumento de P permite:– Explorar um maior nº de indivíduos

• Aumento de m:– diminui o número de contactos, – Para m=80000, ocorre degradação

Interpretação (cont.)Tt = Te + Tc

Tt Tempo total dispendidoTe Tempo dispendido em cálculosTc « « « comunicações

Aumento de P :• diminui tanto Te como Tc

Aumento de m:• diminui Tc

Sugestão para a Internet

Em caso de utilização real:

• O valor de m deve ser determinado de acordo com a largura de banda

• Para valores de m muito grandes, terá que ser considerado o efeito da degradação eventual

Conclusão

• Os resultados dos Web Services concordam totalmente com os resultados da simulação para P <= 128

• Apesar de não ser uma implementação em série, o efeito acaba por ser semelhante uma vez que as threads do cliente arrancam aproximadamente ao mesmo tempo

• Os Web Services provam ser uma alternativa a sockets na conectividade global

Trabalho futuro

• Concretizar os objectivos originais do projecto, usando a Internet

• Verificar para P>128

• Criar clientes em diversas linguagens de programação,

• Determinar empiricamente Te e Tc

• Usar uma distribuição exponencial ao longo do tempo

computação distribuída do algoritmo genético compacto usando web services

Documents