Browsing by Author "Méndez Garabetti, Miguel"

Now showing 1 - 20 of 34

A comparative study of evolutionary statistical methods for uncertainty reduction in forest ﬁre propagation prediction
(2017-06-12) Tardivo, María; Caymes Scutari, Paola; Bianchini, Germán; Méndez Garabetti, Miguel; Cencerrado, Andrés; Cortés, Ana
Predicting the propagation of forest ﬁres is a crucial point to mitigate their eﬀects. Therefore, several computational tools or simulators have been developed to predict the ﬁre ropagation. Such tools consider the scenario (topography, vegetation types, ﬁre front situation), and the particular conditions where the ﬁre is evolving (vegetation conditions, meteorological conditions) estimate precisely, and there is a high degree of uncertainty in many of them. This uncer-tainty provokes a certain lack of accuracy in the predictions with the consequent risks. So, it to predict the ﬁre propagation. However, these parameters are usually diﬃcult to measure or is necessary to apply methods to reduce the uncertainty in the input parameters. This work presents a comparison of ESSIM-EA and ESSIM-DE: two methods to reduce the uncertainty in the input parameters. These methods combine Evolutionary Algorithms, Parallelism and Statistical Analysis to improve the propagation prediction.
Ajuste de Parámetros Evolutivos para el Método Paralelo de Reducción de Incertidumbre ESSIM-DE
(2016-01-01) Tardivo, María; Caymes Scutari, Paola; Bianchini, Germán; Méndez Garabetti, Miguel
Los incendios forestales son uno de los fenómenos naturales más perjudiciales del planeta. Año tras año devastan miles de hectáreas y causan cambios irrecuperables en las zonas afectadas. Por tal motivo, surge el interés de contar con herramientas que puedan realizar pronósticos con antelación al desarrollo de los incendios. Sin embargo, los sistemas de predicción suelen presentar restricciones, no solo por las limitaciones computacionales de representación, sino también por la existencia de incertidumbre en los datos de entrada, debido a la dificultad de determinar sus valores con exactitud en tiempo real. Una adecuada determinación de los parámetros de entrada puede mejorar significativamente la calidad de predicción del método. En este trabajo se presenta un estudio de sintonización estática de los parámetros evolutivos del Sistema Estadístico Evolutivo con Modelo de Islas y Evolución Diferencial, con el fin de mejorar la calidad de la predicción.
Análisis de Redimensión de Mapas en un Sistemas de Predicción de Incendios
(2017-01-01) Lucatelli, Julián; Méndez Garabetti, Miguel; Bianchini, Germán; Caymes Scutari, Paola; Tardivo, María
Como es de público conocimiento, los incendios forestales provocan un gran perjuicio para la población. En primera instancia, por los cambios que se producen en la flora y la fauna de los terrenos afectados, y en segundo término por las pérdidas económicas que estos generan. Esto ha motivado la elaboración y/o perfeccionamiento de métodos que permitan la predicción de su comportamiento, manejo y/o control. Muchos de estos están basados en entornos computacionales, donde se ejecutan diferentes simulaciones de incendios con el propósito de que éstas se asimilen a la realidad. ESSIM-EA (Sistema Estadístico Evolutivo con Modelo de Islas basado en Algoritmos Evolutivos) es un método de reducción de incertidumbre aplicado a la predicción del comportamiento de incendios forestales. Para poder evaluar el comportamiento del fuego, la superficie donde se propaga el incendio es representada en el modelo como un conjunto de celdas de tamaño fijo dentro de un mapa. Estos mapas dependiendo del tamaño de la zona afectada, pueden ser representados con diferentes resoluciones, redimensionándolos con el objetivo de mejorar el rendimiento de ESSIM-EA. Para ello, se ha desarrollado un algoritmo de redimensión de mapas que permite aumentar y disminuir la resolución de las celdas. Este algoritmo sería incluido al método con el objetivo de permitir la redimensión automática de los mapas de incendios, utilizando mapas de incendios reales controlados evaluando calidad de predicción y tiempo de procesamiento en el método ESSIM-EA
Análisis de Rendimiento para un Método de Reducción de Incertidumbre Aplicado a Incendios Forestales
(2017-01-01) Tardivo, María; Caymes Scutari, Paola; Bianchini, Germán; Méndez Garabetti, Miguel; Printista, Marcela
Si bien el fuego representa un eslabón importante en el mantenimiento de la biodiversidad en algunos ecosistemas, los incendios forestales fuera de control pueden convertirse en una gran amenaza para la población y el ambiente. La simulación de este tipo de fenómenos puede ser de granutilidad para determinar zonas de evacuación, o para definir políticas de prevención y detección de incendios. Sin embargo, es una tarea compleja desde el punto de vista computacional. La dificultad radica tanto en la complejidad de simular el fenómeno físico, así como también en la imposibilidad de determinar con exactitud todos los factores que influyen en el desarrollo del incendio, como la velocidad y dirección del viento, el tipo de vegetación, la humedad del terreno, etc. En este contexto, el método ESSIM-DE(r) (Evolutionary Statistical System with Island Model and Differential Evolution with population Reinitialization) se enfoca en lareducción de la incertidumbre que impacta negativamente en la calidad delos resultados arrojados por la simulación clásica, permitiendo mejorar considerablemente las predicciones mediante el uso de Estadística y Computación Evolutiva Paralela. En general, el costo computacional que requiere realizar la simulación es proporcional a la dimensión de lincendio considerado. Por lo tanto, resulta fundamental contar con estrategias que permitan acelerar el proceso de simulación y así obtener predicciones a corto plazo. Para ello, ESSIM-DE(r) posee un modelo de evaluación en paralelo con múltiples islas. ESSIM-DE(r) ha demostrado reducir los tiempos de cómputo respecto de los métodos que lo antecedieron. No obstante, en tales estudios comparativos se consideró una configuración fija del entorno de ejecución. Por lo tanto, el objetivo de este trabajo es analizar la relación existente entre el tiempo desimulación respecto de la cantidad de recursos computacionales utilizados, a través de un estudio de rendimiento que permita determinar cuál es la capacidad que posee ESSIM-DE(r) per se para alcanzar mejor desempeño.
Análisis de Resolución de Mapas de entrada en Método de Predicción de Incendios Forestales
(2017-01-01) Zúñiga, Agustín; Méndez Garabetti, Miguel; Bianchini, Germán; Caymes Scutari, Paola; Tardivo, María
Los incendios forestales son una de las causas principales de la desaparición de grandes superficies de bosques en el mundo de manera anual. Entre las grandes pérdidas que de ellos resultan pueden destacarse: a) la pérdida de bosques, flora y fauna; b) la pérdida de vidas humanas a causa de los intentos de sofocar y/o controlar los incendios; y c) las pérdidas económicas por daños materiales y gastos en el cuidado y evacuación de personas en riesgo. Por estos motivos se considera de gran importancia destinar esfuerzos y recursos en el fortalecimiento de las tareas de prevención, monitoreo y predicción de incendios forestales con el fin lograr un mejor control de su comportamiento, logrando con esto evitar los daños producidos por el fuego, tanto en los bosques como en las poblaciones cercanas, y minimizar los riegos de trabajo de hombres y mujeres por extinguirlos. La predicción del comportamiento de un incendio forestal es una tarea compleja que suele estar afectada por la incertidumbre proveniente del desconocimiento de los valores en los parámetros de entrada del modelo de predicción. ESSIM-EA (Sistema Estadístico Evolutivo con Modelo de Islas basado en Algoritmos Evolutivos)es un método de reducción de incertidumbre el cual ha sido aplicado a la predicción del comportamiento de incendios forestales controlados. En el presente trabajo se ha aplicado dicho método en casos de incendios forestales reales, con el objetivo de identificar la resolución adecuada de los mapas de entrada que permitan brindar un balance adecuado entre calidad de predicción y tiempo de procesamiento.
CoNaIISI 2018 Libro de trabajos seleccionados del VI congreso nacional de ingeniería informática / sistemas de información
(edUTecNe, 2019-07-01) Sotomayor, Roberto; Malbernat, Lucía Rosario; Méndez Garabetti, Miguel; Evans, Felipe; et, all
El Congreso Nacional de Ingeniería Informática – Sistemas de Información (CoNaIISI) es una iniciativa de la Red de Carreras de Ingeniería en Informática / Sistemas de Información del Consejo Federal de Decanos de Facultades de Ingeniería de la República Argentina (RIISIC del CONFEDI) que constituye un espacio para la divulgación de las actividades de investigación de docentes y alumnos de dichas carreras. La 6º edición del CoNaIISI tuvo lugar el 29 y el 30 de noviembre de 2018 en la ciudad de Mar del Plata, organizado por las facultades de ingeniería de las universidades locales: Universidad Atlántida Argentina, Universidad FASTA, Universidad Nacional de Mar del Plata y Universidad CAECE. Esta última fue la sede del congreso, en sus instalaciones de Olavarría y Gascón. La comunidad académica participó, en 2018, presentando trabajos, enviando artículos científicos originales sobre ideas innovadoras, soluciones desarrolladas para abordar problemas reales, trabajos empíricos, estudios de caso, entre otros, en el dominio de los sistemas y tecnologías de la información, ordenados en los siguientes ejes temáticos: Aplicaciones Informáticas y de Sistemas de Información Aspectos legales y profesionales Bases de Datos Educación en Ingeniería Ingeniería de Sistemas, Ingeniería de Software y Gestión de proyectos Redes - Sistemas Operativos - Fundamentos Informáticos - Seguridad informática Trabajos Estudiantiles Trabajo final de carrera Trabajo de cátedra Trabajo de Investigación de Alumnos extra-cátedra
Dynamic Tuning of a Forest Fire Prediction Parallel Method
(2020-01-01) Caymes Scutari, Paola; Tardivo, María; Bianchini, Germán; Méndez Garabetti, Miguel
Diﬀerent parameters feed mathematical and/or empirical models. However, the uncertainty (or lack of precision) present in such parameters usually impacts in the quality of the output/recommendation of prediction models. Fortunately, there exist uncertainty reduction methods which enable the obtention of more accurate solutions. One of such methods is ESSIM-DE (Evolutionary Statistical System with Island Model and Diﬀerential Evolution), a general purpose method for prediction and uncertainty reduction. ESSIM-DE has been used for the forest ﬁreline prediction, and it is based on statistical analysis, parallel computing, and diﬀerential evolution. In this work, we enrich ESSIM-DE with an automatic and dynamic tuning strategy, to adapt the generational parameter of the evolutionary process in order to avoid premature convergence and/or stagnation, and to improve the general performance of the predictive tool. We describe the metrics, the tuning points and actions, and we show the results for diﬀerent controlled ﬁres.
ESS-IM applied to Forest Fire Spread Prediction: parameters Tuning for a Heterogeneous Configuration
(2016-10-14) Méndez Garabetti, Miguel; Bianchini, Germán; Caymes Scutari, Paola; Tardivo, M
Forest ﬁres are a critical natural hazard in many regions of the World. For this reason, the prediction of this kind of phenomenon is considered a very important task that involves a high degree of complexity and precision. The ability to predict the forest ﬁre behaviour constitutes an important tool for managers, helping to improve the effectiveness of ﬁre prevention, detection and ﬁreﬁghting resources allocation. For this reason, prediction methods should be conﬁgured to operate as efﬁciently as possible. In this paper, a calibration study of EvolutionaryStatistical System with Island Model’s evolutionary parameters is presented (ESS-IM). ESS-IM is a general-parallel uncertainty reduction method applied to the forest ﬁres spread prediction. Index Terms—forest ﬁre spread prediction, parallel evolutionary algorithms, parameters tuning, high performance computing.
ESS-IM: incremento en calidad de predicción mediante sintonización de Parámetros Evolutivos
(2016-01-01) Méndez Garabetti, Miguel; Bianchini, Germán; Caymes Scutari, Paola; Tardivo, María
Anualmente, los incendios consumen aproximadamente dos millones de hectáreas de forestación alrededor del mundo, causando pérdidas desde el punto de vista ambiental, económico y humano .
ESSIM-EA applied to Wildfire Prediction using Heterogeneous Configuration for Evolutionary Parameters
(2017-10-09) Méndez Garabetti, Miguel; Bianchini, Germán; Caymes Scutari, Paola; Tardivo, María; Gil Costa, Verónica
Abstract. Wildﬁres devastate thousands forests acres every year around the world. Fire behavior prediction is a useful tool to cooperate in the coordination, mitigation and management of available resources to ﬁght against this type of contingencies. However, the prediction of this phenomenon is usually a diﬃcult task due to the uncertainty in the prediction process. Therefore, several methods of uncertainty reduction have been developed, such as the Evolutionary Statistical System with Island Models based on Evolutionary Algorithms (ESSIM-EA). ESSIMEA focuses its operation on an Evolutionary Parallel Algorithm based on islands, in which the same conﬁguration of evolutionary parameters is used. In this work we present an extension of the ESSIM-EA that allows each island to select an independent conﬁguration of evolutionary parameters. The heterogeneous conﬁguration proposed, at the island level, with the original methodology in three cases of controlled ﬁres has been contrasted. The results show that the proposed ESSIM-EA extension allows to improve the quality of prediction and to reduce processing times.
HESSIM: evaluación de Calidad de Predicción aplicada al incendio forestal ocurrido en Queiriga Portugal
(2017-01-01) Méndez Garabetti, Miguel; Bianchini, Germán; Caymes Scutari, Paola; Tardivo, María
Cada año, los incendios forestales afectan más de 350 millones de hectáreas alrededor del mundo, causando innumerables pérdidas y daños, contribuyendo al calentamiento global, la contaminación del aire y el agua, la desertificación y la pérdida de biodiversidad. Si bien se puede deducir que la prevención es la medida más eficaz contra los efectos negativos causados por los incendios, es de suma importancia contar con herramientas que permitan reducir su propagación. En este contexto los sistemas de predicción de incendios son considerados herramientas de gran valor, ya que permiten determinar el avance del frente de fuego facilitando la toma de decisiones acertadas que minimicen el tiempo de acción y los daños causados. El Sistema Estadístico Híbrido Evolutivo con Modelo de Islas (Hybrid Evolutionary-Statistical System with Island Model, HESSIM), es un método de reducción de incertidumbre que ha sido aplicado a la predicción del comportamiento de incendios forestales. Dicho método utiliza computación de alto rendimiento junto con una hibridación de metaheurísticas evolutivas poblacionales bajo un modelo colaborativo. Hasta el momento dicho método había sido aplicado en casos de quemas reales controladas de superficie reducida. En este trabajo HESSIM es aplicado a un incendio real ocurrido en 2013 en la localidad de Queiriga (Portugal), donde se consumieron más de 4000 hectáreas.
Hybrid-Parallel Uncertainty Reduction Method Applied to Forest Fire Spread Prediction
(2017-04-01) Méndez Garabetti, Miguel; Bianchini, Germán; Tardivo, María; Caymes Scutari, Paola; Gil Costa, Verónica
Fire behavior prediction can be a fundamental tool to reduce losses and damages in mergency situations. However, this process is often complex and aﬀected by the existence of ncertainty. For this reason, from diﬀerent areas of science, several methods and systems are developed and reﬁned to reduce the eﬀects of uncertainty In this paper we present the Hybrid Evolutionary-Statistical System with Island Model (HESS-IM). It is a hybrid uncertainty reduction method applied to forest ﬁre spread prediction that combines the advantages of two evolutionary population metaheuristics: Evolutionary Algorithms and Diﬀerential Evolution. We evaluate the HESS-IM with three controlled ﬁres scenarios, and we obtained favorable results compared to the previous methods in the literature
Increase in the quality of the prediction of a computational wildfire behavior methodthrough the improvement of the internal metaheuristic
(2016-03-25) Méndez Garabetti, Miguel; Bianchini, Germán; Caymes Scutari, Paola; Tardivo, María
Wildﬁres cause great losses and harms every year, some of which are often irreparable. Among the different strategies and technologies available to mitigate the effects of ﬁre, wildﬁre behavior prediction may be a promising strategy. This approach allows for the identiﬁcation of areas at greatest risk of being burned, thereby permitting to make decisions which in turn will help to reduce losses and damages. In this work we present an Evolutionary-Statistical System with Island Model, a new approach of the uncertainty reduction method Evolutionary-Statistical System. The operation of ESS is based on statistical analysis, parallel computing and Parallel Evolutionary Algorithms (PEA). ESS-IM empowers and broadens the search process and space by incorporating the Island Model in the metaheuristic stage (PEA), which increases the level of parallelism and, in fact, it permits to improve the quality of predictions.
IQR : una medida estadística como modelo para la sintonización computacional
(2019-01-01) Caymes Scutari, Paola; Tardivo, María; Bianchini, Germán; Méndez Garabetti, Miguel
El Rango Intercuartil (o métrica IQR) es una medida estadística que cuantifica la dispersión de la muestra considerada, es decir, la variabilidad de la distribución de los elementos muestrales en base a algún parámetro de interés. En este proyecto, centrado en métodos que como muestra del espacio de búsqueda consideran poblaciones de individuos (muestra de elementos candidatos) se propone la utilización del rango intercuartil de los valores de aptitud de los individuos como un indicador de la tendencia a estancarse que tiene el algoritmo. El caso de estudio se refiere a la predicción de incendios forestales. Por lo tanto, la función de aptitud cuantifica el grado de coincidencia entre la predicción arrojada por cierto individuo y el incendio real. El IQR actuaría como un indicador de estancamiento y/o convergencia prematura y sería de utilidad para tomar decisiones sobre cuándo la predicción alcanzada es suficientemente buena, o bien ha alcanzado un cierto tope de calidad que no podrá mejorarse, y por consiguiente sea recomendable dar paso a una nueva población y una nueva generación. En resumen, se propone un modelo basado en el IQR para sintonizar de forma automática y dinámica el parámetro que regula la cantidad de generaciones del proceso evolutivo, a fin de evitar estancamiento y convergencia prematura.
Método de reducción de incertidumbre aplicado a la predicción del comportamiento de incendios forestales bajo una Implementación heterogénea MPI/CUDA
(2018-01-01) Méndez Garabetti, Miguel; Bianchini, Germán; Caymes Scutari, Paola; Tardivo, María
Los incendios forestales causan grandes pérdidas y daños en todo el mundo. Por esta razón, la predicción de este tipo de fenómeno se considera una tarea muy importante que implica un alto grado de complejidad. Debido a esto, tales métodos deben configurarse para operar de la manera más eficiente posible, tanto en términos de calidad de los resultados como así también en relación al tiempo de obtención de los resultados. En este trabajo, se presenta una implementación MPI/CUDA de un método paralelo de reducción de incertidumbre aplicado a la predicción del comportamiento de incendios forestales. Los resultados revelan grandes incrementos en la eficiencia computacional del método.
Método de reducción de incertidumbre basado en HPC y metaheurísticas híbridas aplicado a la predicción de incendios forestales
(2017-01-01) Méndez Garabetti, Miguel; Bianchini, Germán; Caymes Scutari, Paola; Tardivo, María
La predicción del comportamiento de incendios forestales no es una tarea sencilla ya que dicho proceso se ve afectado por la falta de precisión o incertidumbre en los parámetros de entrada. En base a esto, resulta importante desarrollar métodos que permitan tratar la incertidumbre posibilitando la obtención de predicciones más precisas y confiables. En el presente trabajo se presenta un proyecto de desarrollo de un método de reducción de incertidumbre denominado Sistema Estadístico Evolutivo Híbrido con Modelo de Islas (HESS-IM). HESS-IM es un método que combina las bondades de tres metaheurísticas poblacionales evolutivas: Algoritmos Evolutivos, Evolución Diferencial y Optimización por Cúmulo de Partículas bajo un esquema de combinación colaborativa basado en migración mediante modelo de islas y HPC. Es importante mencionar que si bien el método se encuentra aún en desarrollo, existe una versión preliminar la cual ha sido implementada con Algoritmos Evolutivos y Evolución Diferencial. Ésta, ha obtenido resultados alentadores, ya que ha superado resultados obtenidos por metodologías previamente desarrolladas, sin considerar que aún resta realizar estudios más exhaustivos; los cuales podrían permitir obtener resultados de mayor calidad.
Método híbrido de reducción de incertidumbre aplicado a la predicción del comportamiento de incendios forestales
(2016-02-01) Méndez Garabetti, Miguel; Bianchini, Germán; Caymes Scutari, Paola; Tardivo, María
Los incendios forestales causan anualmente grandes perdidas y daños alrededor del mundo. El pronóstico del comportamiento de un incendio puede ser una herramienta fundamental para tomar decisiones en situaciones de emergencia. Sin embargo, este proceso suele estar afectado por la existencia de incertidumbre en las variables que alimentan al modelo. Por este motivo, desde diferentes áreas, se trabaja en el desarrollo y perfeccionamiento de métodos que permiten reducir los efectos de la incertidumbre y obtener predicciones m as precisas. En este trabajo se presenta un método h brido de reducción de incertidumbre que combina las virtudes de dos metaheurísticas poblacionales evolutivas: Algoritmos Evolutivos y Evolución Diferencial. Dicho método se denomina Sistema Estadístico Evolutivo Híbrido con Modelo de Islas (HESS-IM).
Método híbrido paralelo de reducción de incertidumbre aplicado a la predicción del comportamiento de incendios forestales
(2016-11-08) Méndez Garabetti, Miguel; Bianchini, Germán; Caymes Scutari, Paola; Tardivo, María
Año a año, los incendios forestales consumen aproximadamente dos millones de hectáreas de forestación alrededor del mundo, causando enormes pérdidas y daños. Con el objetivo de reducir los efectos provocados por éstos, continuamente se desarrollan estrategias y herramientas para la prevención, monitoreo y/o predicción de incendios. Los sistemas de predicción suelen verse afectados por la incertidumbre presente en los parámetros de entrada del modelo de comportamiento de fuego. Ante esta problemática, los métodos de reducción de incertidumbre permiten contrarrestar dichos efectos mejorando la calidad de predicción por medio de diferentes técnicas y estrategias. El Sistema Estadístico Evolutivo con Modelo de Islas (ESS-IM) es un método general de reducción de incertidumbre que ha sido aplicado satisfactoriamente en la predicción del comportamiento de incendios forestales. ESS-IM utiliza Computación de Alto Rendimiento, Análisis Estadístico y Algoritmos Evolutivos Paralelos como metaheurística interna. En este trabajo se presenta una nueva arquitectura de ESS-IM donde se utilizan múltiples metaheurísticas operando en paralelo, bajo un esquema híbrido de paralelismo basado en los paradigmas "master-worker" y "modelo de islas". La nueva arquitectura es validada mediante la aplicación del método a un conjunto de quemas reales controladas, evaluando tanto calidad de predicción como rendimiento.
Modelo de Sintonización Computacional aplicado a la Predicción de Incendios
(2018-01-01) Caymes Scutari, Paola; Bianchini, Germán; Tardivo, María; Méndez Garabetti, Miguel
La complejidad de la predicción de incendios forestales radica en el nivel de incertidumbre relativo a la cantidad de variables consideradas por el modelo, la dificultad de medirlas con exactitud, las limitaciones computacionales para su implementación, etc. En los últimos años se ha desarrollado un conjunto de métodos para la reducción de incertidumbre, los DDM-MOS (Métodos Conducidos por Datos con Múltiples Soluciones Solapadas). Los DDM-MOS realizan la predicción de la línea de fuego en base a la agregación de múltiples soluciones consideradas a lo largo del proceso de predicción. Cada DDM-MOS se caracteriza por el nivel de utilización que posee de elementos de Estadística, Computación Evolutiva y Metaheurísticas, Paralelismo, y Sintonización, que imprimen mejoras ya sea en cuanto a calidad de predicción, tiempo de ejecución o utilización de recursos. El uso de Estadística dio lugar al primer DMM-MOS, a través de la utilización de un experimento factorial que, para un incendio dado, calcula diferentes probables comportamientos cuyos resultados se analizan estadísticamente a fin de agregar la información y determinar la tendencia. La incorporación de Algoritmos Evolutivos permite trabajar con una población o muestra del espacio de búsqueda y así reducir el tamaño del experimento factorial de acuerdo a la orientación lograda por el proceso evolutivo. La Computación Paralela potencia el proceso de búsqueda tanto en términos de tiempo como en términos dejerarquización del espacio de búsqueda, al considerar varias poblaciones en paralelo. Metaheurísticas, como Evolución Diferencial y Optimización por Enjambre de Partículas (y su hibridación) explotan las bondades de cada una de ellas. El proceso de Sintonización adapta de forma dinámica la cantidad de recursos computacionales utilizados, a fin de alcanzar una ejecución más eficiente. En este trabajo, se propone un modelo para sintonizar de forma automática y dinámica el parámetro que regula la cantidad de generaciones del proceso evolutivo, a fin de evitar estancamiento y convergencia prematura.
Modelo matemático para la sintonización dinámica de un método predictivo basado en evolución diferencial
(2019-01-01) Tardivo, María; Caymes Scutari, Paola; Bianchini, Germán; Méndez Garabetti, Miguel
El desarrollo y sintonización de programas paralelos presenta el desafío de generar aplicaciones que obtengan los resultados esperados desde el punto de vista funcional, y que además alcancen un rendimiento acorde a los recursos computacionales utilizados. El proceso de sintonización dinámica brinda la posibilidad de monitorizar la aplicación, analizar su rendimiento y mejorar automáticamente aquellos aspectos limitantes de mejor rendimiento. La sintonización puede responder a modelos matemáticos de rendimiento, a heurísticas deﬁnidas ad-hoc, a estrategias basadas en historia, entre otros. En este trabajo se presenta un modelo matemático/estadístico de rendimiento, computado de manera distribuida para sintonizar el método de predicción ESSIM-DE. Dicho método utiliza la metaheurística poblacional Evolución Diferencial como algoritmo de optimización. La sintonización es aplicada de forma automática y dinámica al parámetro que regula la cantidad de generaciones del proceso evolutivo, a ﬁn de evitar estancamiento y convergencia prematura.

Browsing by Author "Méndez Garabetti, Miguel"

SECRETARÍAS

ENLACES UTN

ENLACES EXTERNOS