Nicht-deterministische Systeme zeichnen sich dadurch aus, dass bei jeder Ausführung des Systems ein anderes Ergebnis hervorgebracht werden kann. Im Zuge der Entwicklung von Algorithmen für solche Zielsysteme ist es notwendig, diese ausgiebig zu testen, um eine hohe Sicherheit bezüglich deren Effizienz zu gewinnen.
Dabei ist zu beachten, dass ein neu entwickelter Algorithmus auf einer Vielzahl von synthetischen und echten Problemen ausgeführt werden muss, um zusätzlich sicher gehen zu können um allgemeinere Schlüsse ziehen zu können.
Einsatz:
kNN-Averaging [1] ist ein neue Methode für suchbasierte Optimierung (engl. “search-based optimization”). Um dessen Wirkung zu bestimmen, muss der Algorithmus bereits existierenden Lösungen gegenübergestellt werden. In diesem Setting werden die Daten auf 40 Problemtypen in verschiedensten Parametrisierungen wiederholt ausgetestet, um statistische Auswertungen zu ermöglichen.
10-NN averaging at generation #25 for ZDT1σ=0.1. Arrows connect sampled and respective 10-NN-averaged objective values.
Insgesamt werden über 600.000 einzelne Simulationsläufe durchgeführt, die über 1200 GB an Daten produzieren und die nachfolgende Berechnung und Auswertung von Kennzahlen verlangen. Ohne einen effizienten Computing Cluster wäre eine solche Auswertung unmöglich.
Referenzen: