THE OPTIMAL COMPLEXITY PARALLELIZATION ALGORITHM OF SYNTHESIS OF EMPIRICAL MODELS BASED ON GENETIC ALGORITHMS
Keywords:
gene, chromosome, criterion of adaptation, the dimension problem of the system of equations, software implementation, the acceleration efficiency.Abstract
The successful implementation of the of inductive method for self-organizing model is possible only if the number of input variables and the degree of the polynomial are small numbers. This lack of inductive method for self-organizing models can be resolved if the mathematical model is built using a method that is based on the idea of genetic algorithms. The method significantly extends the class of empirical models and allows to synthesize optimal model complexity based on external criteria of selection models. At the same time, the increase of the empirical models synthesis problem dimension causes the increase of their software implementation time. Therefore, the actual scientific problem is to reduce the computing time, and solving this problem will allow the synthesis of high dimension empirical model. The parallelization algorithm for optimal complexity model synthesis is one of the possible solutions. Analysis algorithm for constructing empirical models of optimal complexity showed that the most costly operations are the solution of linear algebraic equations systems and the system output computing. These operations are performed in loop. To reduce the cost of computing time the parallel algorithms are developed and their characteristics, acceleration and efficiency, are defined.
Downloads
References
2. Ивахненко А. Г. Индуктивный метод самоорганизации моделей сложных систем / А. Г. Ивахненко. – К.: Наукова думка, 1981. – 286 с.
3. Ивахненко А. Г. Справочник по типовым программам моделирования / А. Г. Ивахненко, Ю. В. Коппа, В. С. Степашко и др. – К.: Техніка, 1980. – 180 с.
4. Івахненко О. Г. Передбачення випадкових процесів / О. Г. Іваненко, В. Г. Лапа. – К.: Наукова думка, 1969. – 420 с.
5. Горбійчук М. І. Індуктивний метод побудови математичних моделей газоперекачувальних агрегатів природного газу / М. І. Горбійчук, М. І. Когутяк, Я. І. Заячук // Нафтова і газова промисловість. – 2008. – № 5. – С. 32 – 35.
6. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский; пер. с польск. И. Д. Рудинского. – М.: Горячая линия-Телеком, 2004. – 452 с.
7. Горбійчук М. І. Метод синтезу математичних моделей на засадах генетичних алгоритмів / М. І. Горбійчук, М. І. Когутяк, О. Б. Василенко, І. В. Щупак // Розвідка та розробка нафтових і газових родовищ. – 2009. – № 4 (33). – С. 72-79.
8. Оленев Н. Н. Параллельное программирование в MatLab и его приложение / Н. Н. Оленев, Р. В. Печенкин, А. М. Чернецов. – М.: ВЦ РАН, 2007. – 120 с.
9. Вержбицкий В. М. Основы численных методов: учебник для вузов / В. М. Вержбицкий. – М.: Высшая школа, 2002. – 840 с.
10. Ортега Дж. Введение в параллельные и векторные методы решения линейных систем / Дж. Ортега; пер. с англ. Х. Д. Икрамова, И. Е. Капорина под ред. Х. Д. Икрамова. – М.: Мир, 1991. – 367 с.
.png)
