[论文解读] Multi-Objective Problem Solving With Offspring on Enterprise Clouds

Christian Vecchiola, Michael Kirley+1 more|ArXiv.org|Mar 8, 2009

Evolutionary Algorithms and Applications参考文献 19被引用 15

一句话总结

本文提出了 Offspring，一种基于插件的软件框架，用于在企业云环境中部署多目标进化算法——特别是 EMO 算法。通过利用分布式计算，Offspring 实现了大规模种群进化算法的可扩展、高性能执行，显著减少了计算时间，同时在云环境中支持灵活且可重用的算法集成。

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.

研究动机与目标

• 通过在企业云上实现分布式执行，解决大规模种群多目标进化算法的计算瓶颈。
• 克服现有框架仅提供基础或算法特定支持的局限性，以支持进化计算。
• 提供一种基于插件的架构，实现在分布式环境中快速部署和重用多种进化算法。
• 展示使用 Offspring 框架在企业云基础设施上运行 EMO 算法的可行性与性能优势。

提出的方法

• Offspring 框架被设计为一种基于插件的环境，用于在分布式计算平台执行进化算法。
• 它支持网络型多目标进化算法（如 EMO）所需的大型种群分发。
• 该框架通过消息传递和负载均衡机制，在云节点之间并行执行进化操作（选择、交叉、变异）。
• EMO 算法被实现为一个插件，利用个体之间的网络连接来引导多目标优化。
• Offspring 管理任务分发、容错机制和企业云资源的资源分配，以确保高效执行。
• 通过在企业云基础设施上部署 EMO 来评估系统，测量其性能和可扩展性。

实验结果

研究问题

• RQ1 如何通过分布式框架在企业云上有效支持大规模种群多目标进化算法的执行？
• RQ2 哪些架构特性是实现在云环境中快速部署和重用进化算法所必需的？
• RQ3 与单体或非分布式实现相比，Offspring 框架在性能和可扩展性方面有何提升？
• RQ4 Offspring 的基于插件的设计在多大程度上能够容纳 EMO 以外的多样化进化算法？
• RQ5 在基于云的分布式基础设施上运行 EMO 时，计算时间与资源利用率的性能提升如何？

主要发现

• Offspring 框架成功实现了在企业云上执行 EMO 算法，并在性能上显著优于顺序执行。
• 分布式实现通过高效利用云环境中的并行计算和多节点负载均衡，显著减少了计算时间。
• 基于插件的架构支持模块化和可重用的进化算法部署，增强了可扩展性和适应性。
• 该框架在种群规模增加时表现出良好的可扩展性，在大规模优化任务中保持了高效的性能。
• 将 EMO 集成到 Offspring 中，实现了在分布式环境中的有效多目标优化，验证了该框架在解决复杂现实问题方面的实用性。
• 评估结果证实，Offspring 支持在企业云平台上的可靠且高效的网络型进化算法执行。