[논문 리뷰] Multi-Objective Problem Solving With Offspring on Enterprise Clouds

Christian Vecchiola, Michael Kirley외 1명|ArXiv.org|2009. 03. 08.

Evolutionary Algorithms and Applications참고 문헌 19인용 수 15

한 줄 요약

이 논문은 기업 클라우드에서 다중 목적 유전적 알고리즘—특히 EMO 알고리즘—을 배포하기 위한 플러그인 기반 소프트웨어 프레임워크인 Offspring를 제안한다. 분산 컴퓨팅을 활용함으로써 Offspring는 대규모 개체 수를 가진 유전적 알고리즘의 확장성 있고 고성능 실행을 가능하게 하여 계산 시간을 크게 단축시키며, 클라우드 환경에서의 영구적이고 재사용 가능한 알고리즘 통합을 지원한다.

ABSTRACT

In this paper, we present a distributed implementation of a network based multi-objective evolutionary algorithm, called EMO, by using Offspring. Network based evolutionary algorithms have proven to be effective for multi-objective problem solving. They feature a network of connections between individuals that drives the evolution of the algorithm. Unfortunately, they require large populations to be effective and a distributed implementation can leverage the computation time. Most of the existing frameworks are limited to providing solutions that are basic or specific to a given algorithm. Our Offspring framework is a plug-in based software environment that allows rapid deployment and execution of evolutionary algorithms on distributed computing environments such as Enterprise Clouds. Its features and benefits are presented by describing the distributed implementation of EMO.

연구 동기 및 목표

• 대규모 개체 수 다중 목적 유전적 알고리즘의 계산 병목 현상을 해결하기 위해 기업 클라우드에서 분산 실행을 가능하게 하는 것.
• 기존 프레임워크들이 진단 또는 알고리즘 전용 지원 외에 다른 지원을 제공하지 못하는 한계를 극복하는 것.
• 다양한 유전적 알고리즘을 분산 환경에서 빠르게 배포하고 실행할 수 있도록 플러그인 기반 아키텍처를 제공하는 것.
• Offspring 프레임워크를 사용하여 엔터프라이즈 클라우드 인프라에서 EMO 알고리즘을 실행하는 것의 실현 가능성과 성능 이점을 입증하는 것.

제안 방법

• Offspring 프레임워크는 분산 컴퓨팅 플랫폼에서 유전적 알고리즘을 실행하기 위한 플러그인 기반 환경으로 설계되었다.
• 네트워크 기반 다중 목적 유전적 알고리즘(예: EMO)에서 요구하는 대규모 개체 수의 분산을 지원한다.
• 메시지 전달 및 로드 밸런싱 메커니즘을 사용하여 클라우드 노드 간에 진화 연산(선택, 교차, 돌연변이)을 병렬로 실행할 수 있도록 한다.
• EMO 알고리즘은 네트워크 기반 상호연결성을 활용하여 다중 목적 최적화를 이끄는 플러그인으로 구현된다.
• 작업 분배, 장애 내성, 자원 할당을 엔터프라이즈 클라우드 자원 전반에서 관리하여 효율적인 실행을 보장한다.
• 성능 및 확장성 측정을 위해 EMO를 엔터프라이즈 클라우드 인프라에 배포하여 시스템을 평가한다.

실험 결과

연구 질문

• RQ1 어떻게 분산 프레임워크가 기업 클라우드에서 대규모 개체 수 다중 목적 유전적 알고리즘의 실행을 효과적으로 지원할 수 있는가?
• RQ2 클라우드 환경에서 빠르고 재사용 가능한 유전적 알고리즘 배포를 가능하게 하기 위해 필요한 아키텍처 특성은 무엇인가?
• RQ3 Offspring 프레임워크는 단일 또는 비분산 구현 대비 성능 및 확장성에서 어떤 개선을 이룬다?
• RQ4 Offspring의 플러그인 기반 설계는 EMO 외의 다양한 유전적 알고리즘을 얼마나 잘 수용할 수 있는가?
• RQ5 클라우드 기반 분산 인프라에서 EMO를 실행할 경우 계산 시간 및 자원 활용도에서 어떤 성능 향상이 이루어지는가?

주요 결과

• Offspring 프레임워크는 순차적 실행 대비 상당한 성능 향상을 보이며, 기업 클라우드에서 EMO 알고리즘의 실행을 성공적으로 가능하게 하였다.
• 분산 구현은 클라우드 기반 병렬 처리와 다수의 노드 간 로드 밸런싱을 효율적으로 활용하여 계산 시간을 감소시켰다.
• 플러그인 아키텍처는 모듈화되고 재사용 가능한 유전적 알고리즘 배포를 가능하게 하여 확장성과 적응성 향상을 높였다.
• 프레임워크는 개체 수 증가에 따라도 성능 효율성을 유지하며 확장성을 입증하였다. 대규모 최적화 작업에서 유의미한 성능 유지가 가능했다.
• EMO의 Offspring 통합은 분산 환경에서 효과적인 다중 목적 최적화를 가능하게 하여, 복잡한 실생활 문제에 대한 프레임워크의 유용성을 입증하였다.
• 평가 결과, Offspring는 엔터프라이즈 클라우드 플랫폼에서 네트워크 기반 유전적 알고리즘의 신뢰성 있고 효율적인 실행을 지원하는 것으로 확인되었다.