ВЕСТНИК ВОРОНЕЖСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА. СЕРИЯ: СИСТЕМНЫЙ АНАЛИЗ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

Современные методы идентификации эффективных решений по распределенному хранению и распределенной обработке данных не предусматривают оптимизацию производительности вычислительных устройств, выделяемой каждому процессу, реализующему операции с данными, в зависимости от директивных сроков и бюджетов на их выполнение, задаваемых пользователями. В связи с этим разработаны две математические модели смешанного целочисленного линейного программирования, позволяющие оптимизировать распределенное хранение и обработку данных (в том числе оптимизировать производительность вычислительных устройств, выделяемую каждому процессу обработки), а также передачу данных между устройствами. Указанные модели реализуют идентификацию оптимальных решений при условии минимизации общей стоимости выполнения операций (с учетом ограничений на директивные сроки получения результатов и на общую производительность устройств), а также минимизации общей длительности реализации указанных операций (с учетом ограничений на бюджеты обработки данных и на производительность устройств). Полученные первоначально нелинейные модели линеаризованы путем введения дополнительных переменных. Разработанные модели реализованы программно с использованием пакета для решения задач дискретной оптимизации OR-Tools, позволяющего средствами его библиотеки и языка Phython осуществлять интерпретацию целевых функций и ограничений указанных моделей. Разработанное приложение позволило выполнить исследование процесса распределенного хранения, передачи и обработки данных при различных значениях параметров, его характеризующих. На основе анализа полученных результатов исследований сформулированы выводы, касающиеся зависимости общей длительности выполнения операций от значений директивных сроков при различных значениях количества выполняемых операций с данными, а также зависимости общей длительности обработки данных от задаваемых бюджетов и стоимости вычислительных операций и хранения данных

Оптимизация является одним из важнейших инструментов управления системами различной природы. Наряду со ставшими классическими задачами оптимизации при принятии решений и управлении техническими системами, поиск экстремума функции представляет собой важный инструмент в машинном обучении. Особенно существенна роль эффективных алгоритмов оптимизации при решении динамических задач, когда решение должно быть найдено в режиме реального времени. При этом, проблема быстрой численной оптимизации пока что не получила универсального решения и требует дополнительной разработки и усовершенствованных подходов. В работе предложен новый метод оптимизации, основанный на модификации алгоритма гравитационного поиска. Он использует аналогию с гравитационным притяжением масс, зависящих от значения целевой функции. Недостатком обычного гравитационного поиска является проявление при его работе эффектов инерции, которые усложняют процесс оптимизации. Для улучшения работы алгоритма нами предложено использовать модель вязкого движения эффективных частиц. Обсуждаются основные уравнения, описывающие работу представленной модификации гравитационного поиска. Описан алгоритм вязкого гравитационного поиска и приведена его реализация в псевдокоде. Особенности работы алгоритма проанализированы на примерах эталонных целевых функций Растригина и Швефеля со многими локальными минимумами в сравнении с генетическим алгоритмом и стандартным алгоритмом гравитационного поиска с помощью программ, реализованных на языке Python. Нами исследована скорость работы и точность определения минимума функций с различным числом переменных вязким гравитационным алгоритмом. Полученные результаты позволяют сделать вывод о высокой эффективности вязкого гравитационного поиска и целесообразности его применения к решению задач многомерной оптимизации.