facebook
twitter
vk
instagram
linkedin
google+
tumblr
akademia
youtube
skype
mendeley
Global international scientific
analytical project
GISAP
GISAP logotip
Перевод страницы
 

PARALLEL ALGORITHM FOR SYNTHESIS OF OPTIMAL COMPLEXITY EMPIRICAL MODELS WIH OBSERVATIONAL ERRORS

PARALLEL ALGORITHM FOR SYNTHESIS OF OPTIMAL COMPLEXITY EMPIRICAL MODELS WIH OBSERVATIONAL ERRORSPARALLEL ALGORITHM FOR SYNTHESIS OF OPTIMAL COMPLEXITY EMPIRICAL MODELS WIH OBSERVATIONAL ERRORS
Михаил Горбийчук, профессор, доктор технических наук, профессор

Медведчук Вера , аспирант

Лазорив Алла Николаевна, соискатель

Ивано-Франковский национальный технический университет нефти и газа, Украина

Участник первенства: Национальное первенство по научной аналитике - "Украина";

Открытое Европейско-Азиатское первенство по научной аналитике;

UDC 622.691.4.052.012

The most wasteful operations according to the analysis of the empirical models construction algorithm are operations of solving linear systems of algebraic equations and calculating of output of a system. These operations are performed repeatedly. Therefore, in order to reduce the computation time, parallelization of the algorithm for synthesis of optimal complexity models is proposed.

Keywords: model, gene, chromosome, adaptation criterion, system of equations, analysis of an algorithm.

 

To construct empirical models it is commonly to use the method of least squares.  The inductive method of self-organization of models, proposed by Ivakhnenko and developed by his followers, is close to it. For the implementation of these methods, it is assumed that, exact values ​​of physical quantities, which are variables of models, are given. It is obvious that this assumption idealizes conditions of observing operating object, because any physical quantity is measured with some error.

The problem of finding the  object empirical model is considered in case of  exact values of the output and inputs are unknown, because of a skewing of values of the output and inputs during their measurement performed with a certain error. If or is the input of the measuring device, the output is or . Namely:

                                                                                                                                                                       (1)

                                                                                   ,                                                                                              (2)

where , are observational errors of and ,  is the number of object’s inputs.

It is now well known in probability and statistics that random variablesare independent random variables, which have the normal law of distribution.  

Since are true values of measurement values and mathematical expectations of observational errors ,  then are mathematical expectations of random variables . During the period of object observation the set of values has been received, where is the number of experimental points. If are independent random variables and they obey the normal law of distribution, then their common law of distribution is normal too [1]. So the formula for the  density distribution of the fixed value can be represented as:

                                               3)                                               

where is the inverse covariance matrix, are elements of the matrix.

With equations (1) and (2) . If random variables taken together are statistically independent, then the equation  (3) can be represented as follow:

                                                                               (4)

Now the law of distribution for all values can be found. According to previously made assumptions.

According to the equation (4):

                                                                                   (5)

According to the formula (5):

.

Therefore the estimation of demand parameters of the empirical model

                                                                                                                                                                                  (6)

is obtained according to the condition for minimum of the functional

                                                                                                                                          (7)

During measurement of variables metrological characteristics of measuring instruments change very slowly.  So it is assumed that during the time of observation

.

Considering above mentioned conditions functional (7) can be represented as:

                                                                      ,                                                                       (8)

where are normalized variables.

Functional (8) can be written as follow:

                                                                          ,                                                                         (9)

where

It is obtained according to the equation (2). If , then .

Considering the fact that , it can be written .

In  most cases when , the result is obtained by minimization of the functional (9):

                                                                                                                                           (10)

where  is a vector which components are measured values ;

    

;

To construct an empirical model it is usually to use a polynomial dependency as follow:

                                                                                    ,                                                                          (11)

where orders of arguments are chosen to be equal 0, 1, 2,… and satisfy the  constraint ; is the maximum order of the polynomial (11).

The resulting matrix-vector equation(10) can be represented as a linear system of equations with , which solution can be found by using any computational method.

To build the empirical model (11) genetic algorithms [2] has to be applied in order to find not only model parameters but also to determine its structure. Genetic algorithms are an approach of artificial intelligence search algorithms based on evolutionary theory.

The sequence of order structures is created and it can be represented by zeros or ones on ith place depending on the parameterof the model (11)is equal to zero or not. This sequence of order elements is called a chromosome and its elements are genes. A set of chromosomes forms a population. The major role in genetic algorithms  plays  a fitness function, which is available to assign the fitness value for each individual. Based on it individuals with better fitness values are discovered. It means that a solution with the lowest fitness function value or the highest fitness function value is searched depending on a fitness function is minimized or maximized.  The regularity criterion [3] is a criterion of selection and it is chosen as the fitness function in the problem   of synthesis of optimal complexity empirical models.

So the problem of synthesis of optimal complexity empirical models is considered as the choice of a chromosome with the best fitness value from an initial population by using the evolutionary selection.

If the model (11) contains more than 200 parameters, it would take a long time to get the model solution (10). Therefore, in order to reduce the machine time of solving of the system of equations (10) the parallelization of Gaussian method was proposed. 

Normal equation (10) can be written as:

                                                                                                    ,                                                                                  (12)

where

Based on  Gaussian elimination where the system (12) can be transformed into an upper diagonal  matrix, the equation (14) is solved by using  following formulas [4]:

                                                                                         ;                                                                       (13)

                                                                                                                        (14)

where , are ith and kth rows of the augmented matrix obtained after appending the column vector to the matrix , where с is the number of null genes in the chromosome.

The essence of this algorithm is as follows. The matrix is placed in the workspace of the first process (the process of a master) during the initialization stage (initial stage). The first step is sending equal layers of the matrix by the master to other processes (workers) as possible as each process within the first one gets submatrices , where is the total number of processes. After sending equal layers, the master normalizes the first row of his submatrix by using the equation (13) and sends the value to other workers. Workers receiving the row corresponding to formula (14), where  , recount elements of their submatrices including the element . At the same time, the master starting from the second row calculates new values by using the formula (14).  As the result of such conversion, submatrices are received by workers in which first columns are equal to zero. The matrix  is received with first column elements to be equal to zero, except the first one , which is equal to one.

The process of submatrices elements  modification is performed cyclically following to the scheme until the master completes transforming the matrix into an upper diagonal  matrix. As a result of the first cycle the upper rectangular matrix with ones on the main diagonal is saved in the master’s workspace and submatrices are received in workers’ workspaces. The number of columns with all zero values is determined by the number of rows of the master’s matrix in those submatrices.

Workers send their submatrices to the master and they are to be combined at the beginning of the second cycle. The combined submatrix is divided into q parts by the master, which are sent to all workers including himself. Next calculations are performed according to the scheme, which are analogous to the first cycle.

The algorithm continues running until the size of the next sending layer is not exceed the number of processes. Then the remaining submatrix is transformed into the upper rectangular matrix with ones on the main diagonal.All matrices saved in the master’s workspace  are combined  at the final stage.

   Based on the results of previously made algorithm analysis the waste of machine time of parallel algorithm implementation is defined as:

,

where  is the total number of operations of division and subtraction performed by the master and ith worker at the calculation rth cycle; is the number of rows of the master’s submatrix in the rth cycle; is the number of operations of division and subtraction at the last calculation cycle; are wastes of machine time spent on performing operations .

When the master divides the matrix into q layers of equal size, the upper estimate of wastes of machine time of parallel algorithm implementation is obtained as:

                                                                         ,                                                            (15)

where .

In general, the value does not belong to the set of natural numbers. Therefore, it should be rounded to the nearest integer.

Values  of the formula (15) are calculated as:

where  is the number of rows of the master’s submatrix in the rth calculation  cycle.

The following number of operations of division and subtraction performed by the master and each ith worker after finishing the rth calculation  cycle is obtained like this:

where .

The synthesis of optimal complexity empirical modelsbased on genetic algorithms requires the repeated solution of the system of linear equations. Therefore, the matrix is transformed into the upper triangular matrix and the most of the machine time is wasted on it.  Thus, the parallel algorithm application of the transfer upper triangular matrix gives a significant time advantage compared to the serial algorithm.

 

References:

1. Prokhorov, Yu. V. , & Rozanov, Yu. A. (1973). Probality Theoty. Moskow, M: Nauka.

2. Horbiychuk, M. I., Kohutyak, M. I., Vasulenko, O. B., Chupak, I. V. (2009). The method of the empirical model synthesis based on genetic algorithms. Journal of Oil and Gas Exploration and Development, 4 (33), 72-79.

3. Ivahnenko, A. H., Koppa, Yu. V., Stepashko, V. S. (Eds.). (1980). Handbook of standard simulation programs. Kyiv, K.: Tehnika.

4. Volkov, E. A. (1987). Numerical methods. Moskow, M: Nauka.

0
Ваша оценка: Нет Средняя: 7.3 (7 голосов)
Комментарии: 9

Лежнюк Петр Демьянович

Уважаемые коллеги! Работа заслуживает моего внимания, поскольку близка к моей специальности! Занимаемся на своей кафедре схожими исследованиями в построении и моделировании моделей элекрических станций и систем (ЭСС), а непосредственно оптимизацией потерь можности на ЭСС. Изучив статью стало явными схожесть в наших моделях. Вот только Вы пишете, что во время измерения переменных модели (7) метрологические характеристики средств измерений изменяются очень меделленно, и предполагаете приблизить знасменатили к константам. Однако, не увидел я оценки чувствительности модели (8). Хочется не согласится с уважаемым проф. Горбийчуком, поскольку математическое моделирование является прикладной математикой к какой-либо технической области. Еще хотелось бы услышать о практических результатах программирования и обучения модели, и какими комплексы для программирования использовались. В заключении можно отметить, что работа представлена на очень высоком уровне. Авторам хочется пожелать дальнейших успехов в исследовании!

Горбийчук Михаил Иванович

Уважаемый Петр Демьянович! Спасибо за комментарий. Действительно модель на чувствительность не исследовалась. Это можно сделать в будущем. Для проверки работоспособности метода разработано оригинальное программное обеспечение в среде MatLab. Полученные результаты, в частности, использовались для математического моделирования работы газоперекачивающих агрегатов. С уважением проф. М. И. Горбийчук

Grażyna Paulina Wójcik

Параллельные алгоритмы ценны тем, что о возможности более быстрого расчета различных типов вопросов. Использование разделяемой памяти, однако, требует дальнейшего блокирования данных. Parallel algorithms are valuable because of the possibility of faster calculation of various types of issues. Using shared memory, however, requires further blocking of the data. Grażyna Paulina WÓJCIK

Горбийчук Михаил Иванович

Уважаемые коллеги спасибо за комментарии. Отвечу на замечания проф. Н. М. Адрианова. Разработан не только метод построения оптимальных эмперических моделей оптимальной сложности, но разработано также алгоритмическое и програмное обеспечение этого метода, проверка которого на конкретных премерах показала ее эфективность и работоспособность. Ограничение на объем доклада естественно не дают возможности изложить полученные результаты. С уважением проф. М. И. Горбийчук

Андрианов Николай Михайлович

Уважаемый Михаил Иванович! Сама задача определения не только параметров модели, но и ее структуры по эмпирическим данным чрезвычайно важна в технических науках. Сам же принцип ускорения расчетов и экономии машинного времени, по-видимому действительно относится к области других наук. Мне бы хотелось на секции "Технические науки" увидеть адаптированные для пользователя-инженера программы, с их прикладными возможностями и возможными примерами использования. Тогда Вы быстрее продвинете свои разработки в нашу среду. С пожеланием дальнейших творческих успехов, профессор Н.М. Андрианов

Бабаев Накибулло Хабибуллаевич

Уважаемые коллеги! Предложенный вариант решения линейных систем алгебраических уравнений и расчета выхода системы на основе анализа строительного алгоритма эмпирических моделей очень эффективен, так ка сокращает время затрачиваемое на расчеты. Выводы сделанные по научной статье лаконичны. Результаты имеют практическое значение С уважением GPhD, д.т.н., проф. Бабаев Н.Х.

Телия Тамаз Николаевич

Уважаемые коллеги! Я полностью согласен с комментарием, высказанным по вашей работе, д.т.н., профессором М.Ю. Трещалиним. С уважением к.т.н., доцент Т.Н. Телия.

Трещалин Михаил Юрьевич

Уважаемые коллеги! Вне сомнений, предложенный Вами вариант существенно эффективней. Но такая работа, на мой взгляд, более подходит на секцию физико-математических, а не технических наук. Желаю дальнейших успехов. С уважением д.т.н., профессор М.Ю. Трещалин

Горбийчук Михаил Иванович

Спасибо за комментарий! Не совсем согласен с Вами, т.к. параллельные вычисления это раздел вычислительной математики. С уважением проф. М. И, Горбийчук
Комментарии: 9

Лежнюк Петр Демьянович

Уважаемые коллеги! Работа заслуживает моего внимания, поскольку близка к моей специальности! Занимаемся на своей кафедре схожими исследованиями в построении и моделировании моделей элекрических станций и систем (ЭСС), а непосредственно оптимизацией потерь можности на ЭСС. Изучив статью стало явными схожесть в наших моделях. Вот только Вы пишете, что во время измерения переменных модели (7) метрологические характеристики средств измерений изменяются очень меделленно, и предполагаете приблизить знасменатили к константам. Однако, не увидел я оценки чувствительности модели (8). Хочется не согласится с уважаемым проф. Горбийчуком, поскольку математическое моделирование является прикладной математикой к какой-либо технической области. Еще хотелось бы услышать о практических результатах программирования и обучения модели, и какими комплексы для программирования использовались. В заключении можно отметить, что работа представлена на очень высоком уровне. Авторам хочется пожелать дальнейших успехов в исследовании!

Горбийчук Михаил Иванович

Уважаемый Петр Демьянович! Спасибо за комментарий. Действительно модель на чувствительность не исследовалась. Это можно сделать в будущем. Для проверки работоспособности метода разработано оригинальное программное обеспечение в среде MatLab. Полученные результаты, в частности, использовались для математического моделирования работы газоперекачивающих агрегатов. С уважением проф. М. И. Горбийчук

Grażyna Paulina Wójcik

Параллельные алгоритмы ценны тем, что о возможности более быстрого расчета различных типов вопросов. Использование разделяемой памяти, однако, требует дальнейшего блокирования данных. Parallel algorithms are valuable because of the possibility of faster calculation of various types of issues. Using shared memory, however, requires further blocking of the data. Grażyna Paulina WÓJCIK

Горбийчук Михаил Иванович

Уважаемые коллеги спасибо за комментарии. Отвечу на замечания проф. Н. М. Адрианова. Разработан не только метод построения оптимальных эмперических моделей оптимальной сложности, но разработано также алгоритмическое и програмное обеспечение этого метода, проверка которого на конкретных премерах показала ее эфективность и работоспособность. Ограничение на объем доклада естественно не дают возможности изложить полученные результаты. С уважением проф. М. И. Горбийчук

Андрианов Николай Михайлович

Уважаемый Михаил Иванович! Сама задача определения не только параметров модели, но и ее структуры по эмпирическим данным чрезвычайно важна в технических науках. Сам же принцип ускорения расчетов и экономии машинного времени, по-видимому действительно относится к области других наук. Мне бы хотелось на секции "Технические науки" увидеть адаптированные для пользователя-инженера программы, с их прикладными возможностями и возможными примерами использования. Тогда Вы быстрее продвинете свои разработки в нашу среду. С пожеланием дальнейших творческих успехов, профессор Н.М. Андрианов

Бабаев Накибулло Хабибуллаевич

Уважаемые коллеги! Предложенный вариант решения линейных систем алгебраических уравнений и расчета выхода системы на основе анализа строительного алгоритма эмпирических моделей очень эффективен, так ка сокращает время затрачиваемое на расчеты. Выводы сделанные по научной статье лаконичны. Результаты имеют практическое значение С уважением GPhD, д.т.н., проф. Бабаев Н.Х.

Телия Тамаз Николаевич

Уважаемые коллеги! Я полностью согласен с комментарием, высказанным по вашей работе, д.т.н., профессором М.Ю. Трещалиним. С уважением к.т.н., доцент Т.Н. Телия.

Трещалин Михаил Юрьевич

Уважаемые коллеги! Вне сомнений, предложенный Вами вариант существенно эффективней. Но такая работа, на мой взгляд, более подходит на секцию физико-математических, а не технических наук. Желаю дальнейших успехов. С уважением д.т.н., профессор М.Ю. Трещалин

Горбийчук Михаил Иванович

Спасибо за комментарий! Не совсем согласен с Вами, т.к. параллельные вычисления это раздел вычислительной математики. С уважением проф. М. И, Горбийчук
Партнеры
 
 
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
image
Would you like to know all the news about GISAP project and be up to date of all news from GISAP? Register for free news right now and you will be receiving them on your e-mail right away as soon as they are published on GISAP portal.