Ricerca | Progetti

EURISTICHE PER L'OTTIMIZZAZIONE GLOBALE SU LARGA SCALA

Nell'ambito dei modelli metaeuristici per l'ottimizzazione una delle strategie maggiormente adottare per migliorare le performance degli algoritmi è quella di introdurre metodologie di auto-adattamento e di co-evoluzione (ACM), oltre che di speciazione. L'obiettivo è quello di ridurre il problema della stagnazione e, allo stesso tempo, di migliorarne l'efficienza nella ricerca delle soluzioni ottime a un dato problema in caso di ottimizzazione globale su larga scala (LSGO). Purtroppo, i metodi di ottimizzazione euristici soffrono della cosiddetta "maledizione della dimensionalità". Vale a dire che, anche se essi mos trano una funzionalità di ricerca eccellente quando applicati alle piccole o medie dimensioni dei problemi, le loro prestazioni decadono rapidamente non appena la dimensionalità del problema aumenta. Per spazi alto-dimensionali, l'ottimizzazione assistita meta-modello è limitata dalle difficoltà di apprendimento dei parametri da cui dipende l'algoritmo. Infatti, oltre l'algoritmo di ricerca principale, la maledizione della dimensionalità influisce anche sul processo di taratura dei parametri. Il primo passo della ricerca consisterà nel proporre e studiare nuovi metodi di ottimizzazione euristica che facciano uso esplicito di tecniche di auto-adattamento dei parametri di controllo e consentano allo stesso tempo una co-evoluzione delle soluzioni in gioco, con lo specifico obiettivo di ridurre il problema della dimensionalità e, quindi, ridurre il problema della stagnazione. Tra le tecniche auto-adattive che si indagheranno, si farà maggiormente riferimento a tecniche che usino metodi quasi-random o caotici di scelta dei parametri. In aggiunta, l'uso di tecniche di speciazione che facciano uso di processi di Dirichelet basati sulla distanza tra le soluzioni sarà investigata. Il secondo passo consisterà nel verificare la possibilità di uso anche di tecniche di ricerca locale con lo scopo di migliorare l'efficienza degli algoritmi in casi particolarmente costosi computazionalmente. Un passaggio successivo di questa ricerca sarà costituito da un'implementazione parallela dei modelli euristici proposti, così da ampliare significativamente la loro applicabilità a problemi del mondo reale e rendere possibile una integrazione con la parallelizzazione della funzione obiettivo. In particolare, la parallelizzazione dei metodi proposti considererà calcolo su multi-core CPU, GPU e su sistemi ibridi che combina multi-core e GPU. Computing eterogeneo comporta una serie di questioni impegnative per utilizzare entrambi i tipi di unità di elaborazione per migliorare l'efficienza complessiva delle prestazioni. L'idea principale di ricerca è di sviluppare un'implementazione di optimizer dotato di strategie di parallelizzazione differenti selezionabili dinamicamente secondo le caratteristiche delle unità di elaborazione disponibili. La ricerca indagherà anche gli ambienti software più appropriati e paradigmi di programmazione per ottenere le migliori prestazioni sull'architettura di destinazione. Purtroppo, nonostante la portabilità, le più efficaci tecniche di ottimizzazione sono diverse a seconda dell'architettura particolare dove il programma viene effettivamente eseguito e questo sarà affrontato dalla ricerca proposta. Tra le alternative disponibili, la ricerca prenderà in considerazione anche ambienti aperti per la programmazione parallela su architetture eterogenee che consentano di esprimere il parallelismo in modo portatile. Per quanto riguarda il testing e la verifica dei metodi sviluppati, si farà uso in primo luogo di benchmark di ottimizzazione alto-dimensionali (LSGO) usati in letteratura per valutare l'efficacia delle metaeuristiche più performanti e, successivamente, si useranno problemi del mondo reale provenienti sia dall'ingegneria sia da ambiti diversi (come la medicina) e che richiedono l'uso di strategie di ricerca efficaci ed efficienti.