Pokročilé Bayesovské optimalizační algoritmy aplikované na dekompoziční problémy
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F04%3APU49180" target="_blank" >RIV/00216305:26230/04:PU49180 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Advanced Bayesian Optimization Algorithms Applied in Decomposition Problems
Popis výsledku v původním jazyce
This paper deals with the usage of Bayesian optimization algorithm (BOA) and its advanced variants for solving complex NP-complete combinatorial optimization problems. We focus on the hypergraph-partitioning problem and multiprocessor scheduling problem,which belong to the class of frequently solved decomposition tasks. One of the goals is to use these problems to experimentally compare the performance of the recently proposed Mixed Bayesian Optimization Algorithm (MBOA) with the performance of severall other evolutionary algorithms. BOA algorithms are based on the estimation and sampling of probabilistic model unlike classical genetic algorithms. We also propose the utilization of prior knowledge about the structure of a task graph to increase the convergence speed and the quality of solutions. The performance of KMBOA algorithm on the multiprocessor scheduling problem is empirically investigated and confirmed.
Název v anglickém jazyce
Advanced Bayesian Optimization Algorithms Applied in Decomposition Problems
Popis výsledku anglicky
This paper deals with the usage of Bayesian optimization algorithm (BOA) and its advanced variants for solving complex NP-complete combinatorial optimization problems. We focus on the hypergraph-partitioning problem and multiprocessor scheduling problem,which belong to the class of frequently solved decomposition tasks. One of the goals is to use these problems to experimentally compare the performance of the recently proposed Mixed Bayesian Optimization Algorithm (MBOA) with the performance of severall other evolutionary algorithms. BOA algorithms are based on the estimation and sampling of probabilistic model unlike classical genetic algorithms. We also propose the utilization of prior knowledge about the structure of a task graph to increase the convergence speed and the quality of solutions. The performance of KMBOA algorithm on the multiprocessor scheduling problem is empirically investigated and confirmed.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
JC - Počítačový hardware a software
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GA102%2F02%2F0503" target="_blank" >GA102/02/0503: Predikce a ladění paralelní výkonnosti</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2004
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of ECBS 2004
ISBN
0-7695-2125-8
ISSN
—
e-ISSN
—
Počet stran výsledku
10
Strana od-do
102-111
Název nakladatele
IEEE Computer Society
Místo vydání
Los Alamitos
Místo konání akce
Brno
Datum konání akce
23. 5. 2004
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—