論文の概要: Distributed genetic algorithm for application placement in the compute continuum leveraging infrastructure nodes for optimization
- arxiv url: http://arxiv.org/abs/2406.09478v1
- Date: Thu, 13 Jun 2024 09:58:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-17 17:44:16.372056
- Title: Distributed genetic algorithm for application placement in the compute continuum leveraging infrastructure nodes for optimization
- Title（参考訳）: 最適化のためのインフラストラクチャノードを利用した計算連続体におけるアプリケーション配置のための分散遺伝的アルゴリズム
- Authors: Carlos Guerrero, Isaac Lera, Carlos Juiz,
- Abstract要約: フォグコンピューティングにおける資源最適化のための遺伝的アルゴリズム(GA)の3つの分散設計について述べる。
その結果,分散度が低い設計では従来の手法に匹敵するソリューション品質が得られるが,高いネットワーク負荷が生じることがわかった。
- 参考スコア（独自算出の注目度）: 1.3723120574076126
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The increasing complexity of fog computing environments calls for efficient resource optimization techniques. In this paper, we propose and evaluate three distributed designs of a genetic algorithm (GA) for resource optimization in fog computing, within an increasing degree of distribution. The designs leverage the execution of the GA in the fog devices themselves by dealing with the specific features of this domain: constrained resources and widely geographical distribution of the devices. For their evaluation, we implemented a benchmark case using the NSGA-II for the specific problem of optimizing the fog service placement, according to the guidelines of our three distributed designs. These three experimental scenarios were compared with a control case, a traditional centralized version of this GA algorithm, considering solution quality and network overhead. The results show that the design with the lowest distribution degree, which keeps centralized storage of the objective space, achieves comparable solution quality to the traditional approach but incurs a higher network load. The second design, which completely distributes the population between the workers, reduces network overhead but exhibits lower solution diversity while keeping enough good results in terms of optimization objective minimization. Finally, the proposal with a distributed population and that only interchanges solution between the workers' neighbors achieves the lowest network load but with compromised solution quality.
- Abstract（参考訳）: フォグコンピューティング環境の複雑さが増すにつれ、効率的な資源最適化技術が求められている。
本稿では,フォグコンピューティングにおける資源最適化のための遺伝的アルゴリズム(GA)の3つの分散設計を,分散度が増大する中で提案し,評価する。
これらの設計は、フォグデバイス自体におけるGAの実行を、制約されたリソースと広い地理的なデバイス分布という、この領域の特定の特徴に対処することで活用する。
3つの分散設計ガイドラインに従って, NSGA-IIを用いて, 霧のサービス配置を最適化する特定の問題に対して, ベンチマークケースを実装した。
これらの3つの実験シナリオは、ソリューションの品質とネットワークオーバーヘッドを考慮して、このGAアルゴリズムの従来型の集中バージョンである制御ケースと比較された。
その結果, 分散度が低い設計では, 従来の手法に匹敵するソリューション品質が得られるが, 高いネットワーク負荷が生じることがわかった。
第2の設計は、労働者間で人口を分散させ、ネットワークオーバーヘッドを低減させるが、最適化目標最小化の観点から十分な良い結果を保ちながら、解の多様性を低下させる。
最後に、分散人口と、労働者の隣人の間でのみソリューションを交換するという提案は、最低のネットワーク負荷を達成できるが、ソリューションの品質は損なわれる。
関連論文リスト
- Lower Bounds and Optimal Algorithms for Non-Smooth Convex Decentralized Optimization over Time-Varying Networks [57.24087627267086]
通信ネットワークのノード間で分散的に格納された凸関数の総和を最小化するタスクについて検討する。
この問題を解決するのに必要な分散通信数と(サブ)漸進計算の下位境界が確立されている。
我々は,これらの下界に適合する最初の最適アルゴリズムを開発し,既存の最先端技術と比較して理論性能を著しく向上させる。
論文 参考訳（メタデータ） (2024-05-28T10:28:45Z) - Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。
ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。
提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
論文 参考訳（メタデータ） (2023-10-10T00:21:10Z) - Adaptive Consensus: A network pruning approach for decentralized
optimization [0.5432724320036953]
ネットワーク内の各ノードが局所関数を持つネットワークベースの分散最適化問題を考える。
目的は、すべての局所関数の和を最小化するコンセンサス解を集合的に達成することである。
本稿では,通信量を削減する適応的ランダム化通信効率アルゴリズムフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-06T00:28:10Z) - Concurrent build direction, part segmentation, and topology optimization
for additive manufacturing using neural networks [2.2911466677853065]
本稿では,加法製造におけるサポート構造の利用を減らすことを目的としたトポロジー最適化のためのニューラルネットワークアプローチを提案する。
本手法では,(1)部分分割,(2)各部分のトポロジ,(3)各部分のビルド方向の同時決定が可能なネットワークアーキテクチャを用いる。
論文 参考訳（メタデータ） (2022-10-04T02:17:54Z) - On the Convergence of Distributed Stochastic Bilevel Optimization
Algorithms over a Network [55.56019538079826]
バイレベル最適化は、幅広い機械学習モデルに適用されている。
既存のアルゴリズムの多くは、分散データを扱うことができないように、シングルマシンの設定を制限している。
そこで我々は,勾配追跡通信機構と2つの異なる勾配に基づく分散二段階最適化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2022-06-30T05:29:52Z) - On Accelerating Distributed Convex Optimizations [0.0]
本稿では,分散マルチエージェント凸最適化問題について検討する。
提案アルゴリズムは, 従来の勾配偏光法よりも収束率を向上し, 線形収束することを示す。
実ロジスティック回帰問題の解法として,従来の分散アルゴリズムと比較して,アルゴリズムの性能が優れていることを示す。
論文 参考訳（メタデータ） (2021-08-19T13:19:54Z) - Lower Bounds and Optimal Algorithms for Smooth and Strongly Convex
Decentralized Optimization Over Time-Varying Networks [79.16773494166644]
通信ネットワークのノード間を分散的に保存するスムーズで強い凸関数の和を最小化するタスクについて検討する。
我々は、これらの下位境界を達成するための2つの最適アルゴリズムを設計する。
我々は,既存の最先端手法と実験的な比較を行うことにより,これらのアルゴリズムの理論的効率を裏付ける。
論文 参考訳（メタデータ） (2021-06-08T15:54:44Z) - Large Scale Global Optimization Algorithms for IoT Networks: A
Comparative Study [29.884417706421218]
本研究では,無線センサネットワーク(WNS)の高次元での最適化について,分散検出の電力配分に着目して検討する。
大規模グローバル最適化(LGSO)問題に対処するために設計された4つのアルゴリズムを適用し比較する。
我々は,300次元,600次元,800次元の場合には,アルゴリズムの性能をいくつかの異なるケースで評価した。
論文 参考訳（メタデータ） (2021-02-22T18:59:22Z) - Resource Allocation via Model-Free Deep Learning in Free Space Optical
Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。
本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-27T17:38:51Z) - Second-Order Guarantees in Centralized, Federated and Decentralized
Nonconvex Optimization [64.26238893241322]
単純なアルゴリズムは、多くの文脈において優れた経験的結果をもたらすことが示されている。
いくつかの研究は、非最適化問題を研究するための厳密な分析的正当化を追求している。
これらの分析における重要な洞察は、摂動が局所的な降下アルゴリズムを許容する上で重要な役割を担っていることである。
論文 参考訳（メタデータ） (2020-03-31T16:54:22Z) - Large Scale Many-Objective Optimization Driven by Distributional
Adversarial Networks [1.2461503242570644]
本稿では, RVEA フレームワークに基づく新しいアルゴリズムを提案し, 分散適応ネットワーク (DAN) を用いて新たな子孫を生成する。
大規模多目的問題(LSMOP)における9つのベンチマーク問題に対して,新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-03-16T04:14:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。