Экспериментальные исследования.
Роевой алгоритм планирования работы многопроцессорных вычислительных систем
Для получения достоверных выводов был проведен не один, а серия опытов-экспериментов. Временная сложность этого алгоритма зависит от времени жизни колонии t (число итераций), количества обслуживающих приборов n и числа заявок m, и определяется как O (t•n2•m). Тестовые испытания показали, что в 98% случаев пространство синтезированных решений включает глобальное оптимальное решение. Сравнение… Читать ещё >
Экспериментальные исследования. Роевой алгоритм планирования работы многопроцессорных вычислительных систем (реферат, курсовая, диплом, контрольная)
Алгоритм распределения программ на многопроцессорных вычислительных системах был запрограммирован на языке С++ на платформе Windows. При этом все исследования проводились на компьютере типа Intel® Core™ i5 CPU 3.33 GHz и ОЗУ размером 4 Гб. При выполнении экспериментов необходимо было исследовать эффективность и качество предложенных механизмов муравьиной колонии для решения задачи планирования многоуровневой очереди. Для этого была применена процедура формирования контрольных тестов с известным оптимумом.
На первом этапе проводилось исследование влияния управляющих операторов, таких как: размер популяции муравьев, количество итераций, параметров, управляющих отложением и испарением феромона.
Для получения достоверных выводов был проведен не один, а серия опытов-экспериментов. Временная сложность этого алгоритма зависит от времени жизни колонии t (число итераций), количества обслуживающих приборов n и числа заявок m, и определяется как O (t•n2•m). Тестовые испытания показали, что в 98% случаев пространство синтезированных решений включает глобальное оптимальное решение.
Исследование сходимости алгоритма выполнялось следующим образом. Запоминался номер итерации, после которой не наблюдалось улучшения оценки-критерия, для каждого эксперимента. В каждой серии из 50 испытаний определялись минимальный и максимальный номера итерации. Кроме этого рассчитывалось среднее значение количества итераций, после которого не наблюдалось улучшения оценки-критерия. Для каждой серии испытаний определялось лучшее решение, которое фактически являлось оптимальным. В результате экспериментов установлено, что при объеме популяции М=90 алгоритм сходится в среднем на 120 итерации.
Сравнение значений критерия, полученных муравьиным алгоритмом на тестовых примерах, с известным оптимумом показало, что у 90% примеров полученное решение было оптимальным, у 15% примеров решения были на 3% хуже оптимального, а у 5% примеров решения были хуже не более, чем на 2%. По сравнению с существующими алгоритмами [3−10] достигнуто улучшение результатов на 2- 3%.