158
выполнить на одном процессоре), что практически и сделано ГА: оста-
лась только одна пересылка, потребовавшая единицу времени. Кроме
того, в силу достаточно большого количества пересылок задействова-
но всего 5 процессоров из 8 и при этом расписание практически опти-
мально. Аналогичная ситуация наблюдалась при правильном подборе
параметров ГА и на других тестах.
Таблица
Параметры данного теста
Кол-во особей
50
% мутации 60
% рекомбинации 30
% мутации P
i
10
% мутации R
i
10
Средний % мутирующих генов 50
Среднее кол-во точек скрещивания 1
Мин. допустимая разница значений 0.01
Кол-во «неулучшенных» популяций 32
Макс. размер «штрафа», %
150
Таким образом, реально решение было найдено за 35 циклов (67–
32=35), а потом 32 цикла ГА не смог улучшить значение более чем на
0.01 и остановился. Лишних циклов можно избежать, включив систему
контроля времен простоя процессора.
В соответствии со свойствами генетических алгоритмов, данный
алгоритм также имеет свойство улучшать априори найденное решение,
т. е. если решение примерно известно и подано на вход алгоритма как
одна или несколько особей в начальной популяции, алгоритм быстрее
(в среднем) надет нужное решение.
Литература
1.
Теория расписаний и вычислительные машины / Под ред. Э.Г
Коффмана).
2. Grant
K.
An introduction to genetic algorithms //C/C++
Users Journal,
March 1995. P. 45–58.
3. Fogel David B.
Using Evolutionary Programming to Schedule Tasks on
a Suite of Heterogeneous Computers // Computers &
Operations re-
search, Vol. 23:6. P. 527–534.