Aprendizaje para la optimización con Savant Virtual

• Massobrio, Renzo ^[1]
  1. [1] Universidad de Cádiz

     Universidad de Cádiz

     Cádiz, España

     
• Localización: Memoria Investigaciones en Ingeniería, ISSN 2301-1092, ISSN-e 2301-1106, Nº. 22, 2022, págs. 29-39
• Idioma: español
• DOI: 10.36561/ING.22.4
• Títulos paralelos:
  • Learning for Optimization with Virtual Savant
• Enlaces
  • Texto completo
• Resumen
  • español

    Los problemas de optimización que surgen en múltiples campos de estudio demandan algoritmos eficientes que puedan explotar las plataformas modernas de computación paralela. El notable desarrollo del aprendizaje automático ofrece la oportunidad de incorporar el aprendizaje en algoritmos de optimización para resolver problemas complejos y de grandes dimensiones de manera eficiente. Este artículo explora Savant Virtual, un paradigma que combina aprendizaje automático y computación paralela para resolver problemas de optimización. Savant Virtual está inspirado en el Síndrome de Savant, una condición mental en la que los pacientes se destacan en una habilidad específica muy por encima del promedio. En analogía con el Síndrome de Savant, Savant Virtual extrae patrones de instancias previamente resueltas para aprender a resolver un determinado problema de optimización de forma masivamente paralela. En este artículo, Savant Virtual se aplica a tres problemas de optimización relacionados con la ingenierı́a de software, la planificación de tareas y el transporte público. La eficacia de Savant Virtual se evalúa en diferentes plataformas informáticas y los resultados se comparan con soluciones exactas y aproximadas para instancias tanto sintéticas como realistas de los problemas estudiados. Los resultados muestran que Savant Virtual puede encontrar soluciones precisas, escalar eficazmente en la dimensión del problema y aprovechar la disponibilidad de múltiples recursos de cómputo.

  • English

    Optimization problems arising in multiple fields of study demand efficient algorithms that can exploit modern parallel computing platforms. The remarkable development of machine learning offers an opportunity to incorporate learning into optimization algorithms to efficiently solve large and complex problems. This article explores Virtual Savant, a paradigm that combines machine learning and parallel computing to solve optimization problems. Virtual Savant is inspired in the Savant Syndrome, a mental condition where patients excel at a specific ability far above the average. In analogy to the Savant Syndrome, Virtual Savant extracts patterns from previously-solved instances to learn how to solve a given problem in a massively-parallel fashion. In this article, Virtual Savant is applied to three optimization problems related to software engineering, task scheduling, and public transportation. The efficacy of Virtual Savant is evaluated in different computing platforms and the experimental results are compared against exact and approximate solutions for both synthetic and realistic instances of the studied problems. Results show that Virtual Savant can find accurate solutions, effectively scale in the problem dimension, and take advantage of the availability of multiple computing resources.

• Referencias bibliográficas
  • Ausiello, G., Crescenzi, P., Gambosi, G., Kann, V., Marchetti, A., and Protasi, M. (2012). Complexityand approximation: Combinatorial optimization...
  • Golub, G. H. and Ortega, J. M. (2014). Scientific computing: an introduction with parallel computing.Elsevier.
  • Darte, A., Robert, Y., and Vivien, F. (2012). Scheduling and automatic parallelization. Springer Science& Business Media.
  • Golub, G. H. and Ortega, J. M. (2014). Scientific computing: an introduction with parallel computing. Elsevier.
  • Vlastelica, M., Paulus, A., Musil, V., Martius, G., and Rolıń ek, M. (2020). Differentiation of blackboxcombinatorial solvers. In International...
  • Vinyals, O., Fortunato, M., and Jaitly, N. (2015). Pointer Networks. In Advances in Neural InformationProcessing Systems 28, pages 2692–2700.
  • Pinel, F., Dorronsoro, B., Bouvry, P., and Khan, S. (2013). Savant: Automatic parallelization of ascheduling heuristic with machine learning....
  • Treffert, D. (2006). Extraordinary People: Understanding Savant Syndrome. Iuniverse.
  • Pring, L. (2005). Savant talent. Developmental medicine and child neurology, 47(7):500–503.
  • Heaton, P. and Wallace, G. L. (2004). Annotation: The savant syndrome. Journal of child psychologyand psychiatry, 45(5):899–911.
  • Bagnall, A., Rayward, V., and Whittley, I. (2001). The next release problem. Information and SoftwareTechnology, 43(14):883–890.
  • Kellerer, H., Pferschy, U., and Pisinger, D. (2004). Springer.
  • Nemhauser, G. L. and Ullmann, Z. (1969). Discrete Dynamic Programming and Capital Allocation.Management Science, 15(9):494–505.
  • Harman, M., Krinke, J., Medina-Bulo, I., Palomo, F., Ren, J., and Yoo, S. (2014). Exact scalablesensitivity analysis for the next release...
  • Massobrio, R., Nesmachnow, S., Palomo-Lozano, F., and Dorronsoro, B. (2021). Virtual savant as ageneric learning approach applied to the basic...
  • Massobrio, R., Nesmachnow, S., and Dorronsoro, B. (2018c). Support Vector Machine Acceleration forIntel Xeon Phi Manycore Processors. In High...
  • Luo, P., Lü, K., and Shi, Z. (2007). A revisit of fast greedy heuristics for mapping a class of independenttasks onto heterogeneous computing...
  • de la Torre, J. C., Massobrio, R., Ruiz, P., Nesmachnow, S., and Dorronsoro, B. (2020). Parallel virtualsavant for the heterogeneous computing...
  • International Transport Forum (2014). Valuing Convenience in Public Transport. OECD Publishing.
  • Nesmachnow, S., Muraña, J., Goñi, G., Massobrio, R., and Tchernykh, A. (2020). EvolutionaryApproach for Bus Synchronization. In High Performance...
  • Massobrio, R., Nesmachnow, S., Muraña, J., and Dorronsoro, B. (2022). Learning to optimize timetables for efficient transfers in public transportation...