Presentación del artículo "Genetic Algorithms Running into Portable Devices: A First Approach" de la conferencia MAEB'16, Salamanca (España), Septiembre 2016

1. Genetic Algorithms
Running into
Portable Devices:
A First Approach
Christian Cintrano y
Enrique Alba
MAEB ’16

2. MAEB’16 14-16 Septiembre Cintrano y Alba Genetic Algorithms Running into Portable Devices: A First Approach
Motivación
El uso de Smartphones y Tablets se ha vuelto parte de nuestra vida cotidiana
2/10
Smartphone and PC shipments, with projections for 2016 and 2020
Estudiar el rendimiento de dispositivos portables al
ejecutar algoritmos de optimización

3. MAEB’16 14-16 Septiembre Cintrano y Alba Genetic Algorithms Running into Portable Devices: A First Approach
Dispositivos
S.O. Ubuntu 14.04 LTE
CPU Intel i5-4160 (3.2 GHz)
Memoria 8 GB + 6 MB + 256 KB + 64 KB
S.O. Android 4.0.4 Android 4.4.4
CPU ARM Cortex A15 (2.9 GHz) ARM Cortex A9 (1.0 GHz)
Memoria 1 GB + 1024 KB + 64 KB 2 GB + 2048 KB + 32 KB
Batería 7000 mAh 1860 mAh
3/10
PortablesSobremesa

4. MAEB’16 14-16 Septiembre Cintrano y Alba Genetic Algorithms Running into Portable Devices: A First Approach
Algoritmo Genético
Un algoritmo genético (GA) es un tipo de Metaheurística basada
en el proceso de selección natural que imita la evolución biológica.
4/10
Pseudo-código de un GA de estado estacionario:

5. MAEB’16 14-16 Septiembre Cintrano y Alba Genetic Algorithms Running into Portable Devices: A First Approach
● 3 características principales: memoria, velocidad y batería
● 2 problemas: OneMax y Frequency Modulation Sounds (FMS)
● 3 diferentes tamaños de problema y población (bajo, medio y alto)
● Misma implementación y representación en cada dispositivo
● Condiciones de parada: fitness óptimo y 10 millones de iteraciones
● 30 ejecuciones independientes para cada combinación de tamaño y problema
Detalles previos
5/10
OneMax: FMS:

6. MAEB’16 14-16 Septiembre Cintrano y Alba Genetic Algorithms Running into Portable Devices: A First Approach
Experimentos - Memoria
FMS tiene el menor diferencia en consumo
Necesidad de memoria Diferencias entre plataformas
6/10
(OneMax) (FMS)
Consumo mdispositivo
relativo msobremesa
≡
ConsumoRelativo
ConsumoRelativo
ConsumoRelativo
por Población por Tamaño de Problema
Tamaño de Población Tamaño de Población Tamaño de Problema
(OneMax)

7. MAEB’16 14-16 Septiembre Cintrano y Alba Genetic Algorithms Running into Portable Devices: A First Approach
Experimentos - Velocidad
7/10
(One Max) (FMS)
OneMax FMS
Tiempo Absoluto (tdispositivo) Rápido Lento
Tiempo Relativo (tdispositivo/tsobremesa) Lento Rápido
Tiempo tdispositivo
relativo tsobremesa
≡
TiempoRelativo
TiempoRelativo
TiempoRelativo
por Población por Tamaño de Problema
Tamaño de Población Tamaño de Población Tamaño de Problema
(OneMax)

8. MAEB’16 14-16 Septiembre Cintrano y Alba Genetic Algorithms Running into Portable Devices: A First Approach
Experimentos - Batería
El consumo de batería depende del tiempo de ejecución y del tipo de procesador.
8/10
Eficiencia
energética
Alto
rendimiento
Tipo de
núcleo
Tiempo de
ejecución
Consumo
energético
Batería(mAh)
Tiempo (s)

9. MAEB’16 14-16 Septiembre Cintrano y Alba Genetic Algorithms Running into Portable Devices: A First Approach
Dispositivo Fuente de datos
OneMax
100 500 1000
FMS
Ajuste 39,00 21,38 19,91 1,66
Smartphone Experimental 23,45 21,91 18,02 1,64
Ajuste normalizado 23,16 12,69 11,82 0,99
Ajuste 68,00 51,50 51,75 4,13
Tablet Experimental 36,31 48,84 51,08 4,23
Ajuste normalizado 21,25 16,09 16,17 1,29
Experimentos - Modelos numéricos
Dos ajustes
9/10
(x = tamaño de población)
y = a + bx
y = a + b log(x)
OneMax
FMS

10. MAEB’16 14-16 Septiembre Cintrano y Alba Genetic Algorithms Running into Portable Devices: A First Approach
Conclusiones
● Se ha presentado un primer análisis del rendimiento sobre smartphone y tablet para
ejecutar algoritmos de optimización.
● Se ha destacado la diferencia en la gestión de la memoria entre plataformas
● Se ha probado la buena eficiencia de los estos portables a la hora de ejecutar un GA.
● Se han interpretado resultados numéricamente para completar este estudio.
Trabajo Futuro
● Analizar otros algoritmos metaheurísticos, por ejemplo los basados en trayectoria.
● Medir el rendimiento mientras se comparten recursos con otras apps.
● Comprobar el impacto del multithreading y JNI en el consumo de memoria y energía.
Conclusiones y Trabajo Futuro
10/10

11. Genetic Algorithms
Running into
Portable Devices:
A First Approach
Christian Cintrano y
Enrique Alba
MAEB ’16