Algoritmos de búsqueda para problemas de optimización discreta

1. Algoritmos de búsqueda para problemas de optimización discreta Algoritmos Paralelos Glen Rodriguez R. (basado en Kumar)

2. Contenido • Problemas de Optimización discreta • Algoritmos de búsqueda secuencial • Factor de overhead • Algoritmos paralelos para búsqueda “primero en profundidad” • Algoritmos paralelos para búsqueda “primero el mejor”

3. Problemas de Optimización discreta • Son una clase de problemas a computacionalmente costosos que son objeto de interés tanto teórico como práctico. Muchos de estos problemas son NP-completos. • Un tipo se solución es usar algoritmos de búsqueda, que buscan el espacio de las posibles soluciones sujetas a restricciones.

4. Definiciones • Un problema de optimización discreta se puede expresar como una tupla (S, f). • S es un conjunto de soluciones (finito o infinito contable) • f es una función de costo que mapea cada elemento de S en el conjunto de los números reales R. • Se desea encontrar una solución factible xopt, tal que f(xopt) ≤ f(x) para todo x  S. • Uso práctico: diseño de circuitos impresos tipo VLSI layouts, planeamiento del movimiento de unrobot, generación de casos de prueba en Ing. de software, ubicación de fábricas o almacenes.

5. Ejemplo: programación lineal entera 0/1 • Dados: una matriz m×n llamada A, un vector m×1 llamado b, y un vector n×1 llamado c. • Hallar un vector n×1 vector cuyos elementos solo pueden ser 0 ó 1. • Dicho vector debe satisfacer la restricción y debe minimizar la función • Relacionado con otro problemas como el “problema de la mochila”

6. Ejemplo: puzzle con mínimos movimientos 16-puzzle Un caso de problema 8-puzzle : (a) configuración inicial; (b) configuración final; y (c) secuencia de movimientos posible que lleva de la configuración inicial a la final.

7. Conceptos básicos de optimización discreta • El espacio factible S es enorme. • El problema puede ser reformulado como un problema de encontrar la ruta de costo mínimo en un grafo que va de un nodo inicial designado a uno de varios posibles nodos objetivo. • Cada elemento x de S puede ser visto como una de las rutas. • A ese grafo se le llama estado de espacios.

8. Conceptos básicos de optimización discreta • Con frecuencia, es posible estimar el costo para alcanzar el estado objetivo desde un estado intermedio  estimado heurístico. • Cálculo exacto vs. sub-estimación (admisible) • Cálculo exacto : divide y vencerás.

9. Ejemplo de heurística • Asumir que cada posición del grid del 8-puzzle se representa por un par ordenado. • La distancia entre (i,j) y (k,l) se define como |i - k| + |j - l|. Distancia Manhattan. • La suma de las distancias Manhattan entre las posiciones iniciales y finales es una heurística admisible.

10. Y aquí que pinta el paralelismo? • Muchos problemas son NP-hard. ¿Ayudaría paralelizar? • En muchos casos, el tiempo de ejecución promedio o el de casos de la vida real son polinomiales. • Caso contrario, soluciones suboptimas en tiempo polinomial. • Otros problemas no tienen tantas soluciones por chequear, pero las necesitan muy rápido. • En otros problemaas, se desea el xopt , o algo muy cercano, sin importar el tiempo de procesamiento.

11. Algoritmos secuenciales de búsqueda • El espacio de búsqueda: árbol o grafo? • Programación Lineal entera 0/1: árbol • 8-puzzle: grafo. • Ojo: un grafo puede “explotarse” en un árbol. • Pros y contras de cada uno?.

12. Explotando o desdoblando árboles

13. Algoritmos para búsqueda “primero en profundidad” • Se aplica a árboles. • Primero se expande el nodo inicial y se generan sus sucesores. En cada paso subsecuente, se expande uno de los nodos más recientemente generados. • Si no hay éxito, se hace “backtrack” o sea se retrocede al nodo padre y se explora otro nodo hijo. • Es recomendable ordenar los nodos basados en la probabilidad de llegar a la solución desde cada nodo  búsqueda dirigida. • Ventaja del “primero en profundidad” : uso lineal de la memoria respecto a la profundidad del árbol.

14. Algoritmos para búsqueda “primero en profundidad” Estados resultantes de procesar los 3 primeros pasos de la búsqueda “primero en profundidad” aplicados al 8-puzzle.

15. Backtracking simple • Se realiza la búsqueda hasta encontrar la primera solución factible y allí termina. • No hay garantía de hallar la solución óptima. • No se usa información heurística para ordenar nodos. • Backtracking ordenado si usa uses heurísticas para ordenar nodos.

16. Branch-and-Bound • Es un tipo de búsqueda “primero en profundidad” orientado a encontrar la mejor solución. Cada vez que se encuentra una mejor solución, el algoritmo actualiza la solución y su función de costo. • Evita explorar caminos que garantizan que no habrá mejoras. • Al terminar la búsqueda queda la mejor solución global (solución óptima).

17. Busca iterativa profundizadora • Qué pasa si la solución es la marcada en rojo? • El backtracking simple tardaría mucho en llegar allí. • La iteración profundizadora establece un límite en la profundidad de la búsqueda (se sigue trabajando con “primero en profundidad”). • Si no se encuentra solución, el límite de profundidad de incrementa y se repite el proceso. … … …

18. Iterativa profundizadora A* (IDA*) • Usa un límite en el costo de la ruta en vez de la profundidad. • IDA* define una función del nodo x en el espacio de búsqueda como l(x) = g(x) + h(x). Donde g(x) es el costo de llegar al nodo, y h(x) es un estimado heurístico del costo de llegar desde el nodo a la solución. • Luego de cada paso fallido, el límite de costo es incrementado al del nodo que excedió el límite anterior de costo por la menor cantidad. • Si la heurística h es admisible, IDA* llega a obtener la solución óptima.

19. Estructuras de datos y necesidades de memoria • Las estructuras dependen si uso un algoritmo iterativo o uno recursivo. Las necesidades de memoria no. • En el iterativo: en cada paso de la B.P.P., se deben poder saber en que alternativa me quede en cada nivel y/o cuáles me faltan. • Si m = memoria necesitada para guardar un estado, y d = máxima profundidad la memoria total requerida es O(md). • Para un B.P.P. paralelo el árbol puede ser representado como un stack. • Ese stack ocupa memoria linealmente proporcional a la profundidad del árbol.

20. Estructuras de datos y necesidades de memoria

21. Algoritmos de búsqueda “primero el mejor” • B.P.M. usan una heurística para guiar la búsqueda. • La principal estructura de datos es una lista, llamada “lista abierta”, que guarda los nodos no explorados ordenados por la estimación heurística de c/u. • Se escoge el mejor nodo de la lista, se expande, y sus hijos se insertan según el orden heurístico. • Si la heurística es admisible, B.P.M hallará la solución óptima.

22. Algoritmos de búsqueda “primero el mejor” • Si aplico B.P.M. a grafos, debo modificarlo para tomar en cuenta que puedan haber muchos caminos para llegar al mismo nodo. • Una lista cerrada guarda todos los nodos que ya se han visitado. • Si existe un nuevo nodo expandido en la lista cerrada o abierta, con mejor valor heurístico, no se debe insertar el nodo en la lista abierta.

23. Algoritmo A* • Un tipo de B.P.M. que usa heurísticas admisibles. • Defino una función l(x) para cada nodo x con l(x)= g(x) + h(x). • Donde g(x)= costos de llegar a x, y h(x) es un estimado heurístico admisible del costo de ir de x a la solución. • Se ordena a la lista abierta respecto a l(x). Consumo de memoria: exponencial en función a la profundidad!

24. Ejemplo

25. Factor de overhead • El trabajo hecho por las búsquedas secuenciales muchas veces es diferente del trabajo de las paralelas. • Si W es el trabajo serial y WP el paralelo, el factor de overhead s = WP/W. • La cota superior del speed-up es p×(W/WP).

26. Retos de la B.P.P. paralela • El cómputo es dinámico y no estructurado. • Por qué? • Cómo descompongo el espacio de búsqueda? • Si no es perfecta, el factor de overhead > 1 • Como mapear? • Se puede balancear la carga?

27. B.P.P. paralela • Descomposición  una parte del espacio de búsqueda a cada procesador. • Varios sub-árboles pueden buscarse a la vez. • Pero los sub-árboles pueden ser de diferente tamaño  paralelismo no balanceado. • Y como estimo A PRIORI el tamaño de un sub-árbol. • Necesito balance de carga dinámico.

28. B.P.P. paralela

29. Balance de carga dinámico en B.P.P. • Cuando un procesador se queda sin trabajo, se le asigna trabajo de otro procesador. • Implementación difiere en Message Passing vs. Shared Memory. • Cuando un procesador obtiene la solución, todos los procesadores terminan. • Se usan stacks independientes por procesador . • El nodo o nodos inciales se asignan a un solo procesador.

30. Balance de carga dinámico en B.P.P. Esquema general

31. Esquemas de balance de carga • A quién se le solicita trabajo?  quiero distribución pareja GLOBAL. • Round robin asíncrono: contador independiente por procesador que hace request tipo round-robin. • Round robin global: contador único global, cada procesador usa ese contador global para sus requests. • Polling aleatorio: un procesador escoge al azar a otro procesador para pedirle el trabajo.

32. Analizando balance de carga en B.P.P • Asumamos que el tiempo de procesamiento tiene relación directa con la cantidad de request mínimo para que cada procesador reciba por lo menos un request de otro procesador. • En round robin asíncrono, esa cantidad de request es O(p2) en el peor caso. • Para Round Robin global es O(p) • Para Polling aleatorio: el peor caso no tiene cota superior.

33. Analizando balance de carga en B.P.P • Entonces, casos promedios: • En round robin asíncrono, el proceso total es O(p2 log p). Hace muchas llamadas o request. • Para Round Robin global, el proceso total es O(p2 log p). Hace pocos request, pero el procesador que tiene el contador global es cuello de botella. • Para Polling aleatorio, el proceso total es O(plog2 p). Hace más llamadas que r.r.global pero menos que r.r.asíncrono, y no hay cuellos de botella.

34. Caso experimental: problema SAT Speed-ups de B.P.P paralela usando esquemas RRA (ARR), RRG (GRR) y RP (PA) p (num.procesadores)

35. B.P.P paralela tipo Branch-and-Bound • Se parecen a B.P.P. • Cada procesador tiene una copia de la mejor solución hasta el momento. Sirve como límite local. • Si un procesador encuentra otra solución, la compara con la mejor actual. Si el costo es mejor, se vuelve la nueva mejor actual y se envía a todos los demás procesadores. • “Mejores soluciones” detectadas a la vez en más de 1 procesador: la solución final no se altera, solo se afecta la rapidez de cómputo.

36. IDA* paralelo Hay dos algoritmos • Límite común en costo : y luego se usa B.P.P paralela sujeta a ese límite en cada procesador. Poco escalable si el límite común es bajo. • Límite variable en costo: complicado y sujeto a verificación.

37. B.P.M. paralela • Estructura clave: lista abierta (implementada como una cola con prioridad). • Cada procesador invoca al cierre de exclusión mutua de la cola, saca el mejor nodo, luego desbloquea la cola. • Se generan los hijos del nodo, se estiman sus funciones heurísticas, y se insertan dichos hijos a la lista abierta, previo cierre. • Como p procesadores expanden p nodos en paralelo, el ordende trabajo de este algoritmo paralelo sería diferente al de su versión secuencial.

38. B.P.M. paralela

39. B.P.M. paralela • La lista abierta es cuello de botella (por contención) • Sea texp = tiempo promedio para expander un nodo, y taccess = tiempo promedio para accesar la lista abierta para buscar siguiente nodo a expandir, n= número de nodos del árbol o grafo. • El tiempo secuencial = n(taccess+texp). • El tiempo paralelo no puede bajar de ntaccess. • La cota superior del speed-up es (taccess+texp)/taccess

40. B.P.M. paralela • Evitemos la contención usando varias listas abiertas. • Al inicio el espacio de búsqueda se divide equitativamente entre estas listas abiertas. • Se puede leer de más de una lista a la vez. • Como el valor heurístico de los nodos explotados puede divergir de una lista a otra, cada cierto tiempo debemos rebalancear las listas, emparejando la calidad de los nodos.

41. B.P.M. paralela Ejemplo de rebalanceo usando comunicación en anillo

42. B.P.M. paralela Ejemplo de rebalanceo usando comunicación en pizarra

43. B.P.M. paralela para grafos • Recuerden: hay lista cerrada, donde debe hacerse una búsqueda con clave=estado. • Se usan hash. • Hashing se puede paralelizar usando 2 funciones: una hashea cada nodo a un processor, y la otra hashea dentro del procesador. • Además se pueden usar muchas listas abiertas. • Si un nodo no existe en una lista cerrada, es insertado en la lista abierta del destino de la primera función de hash. • Por la naturaleza del hash, lo más probable es que cada lista abierta tenga más o menos la misma calidad de nodos.

44. Resumen