КОНФИГУРАЦИОННО-АДАПТИВНЫЙ ПАРАЛЛЕЛЬНЫЙ РЕШАТЕЛЬ ДЛЯ ЗАДАЧ ЦЕЛОЧИСЛЕННОГО ПРОГРАММИРОВАНИЯ

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Рассматривается пакет параллельного прикладного программного обеспечения для решения задач целочисленного линейного программирования. Программное обеспечение разработано с использованием архитектуры Мастер–Работник и предназначено для вычислительных систем с распределенной памятью. Ключевой особенностью разработанного пакета является конфигурационноориентированный подход к методу ветвей и отсечений. Каждому процессу-работнику, решающему часть одного дерева ветвлений, выдается конфигурация, определяющая набор параметров: метод генерации отсечений, стратегия выбора переменных ветвления, порядок обхода дерева ветвлений, наличие или отсутствие редукции. Часть работников отведена для исследования эффективности существующих конфигураций и составления их рейтинга. Результаты тестирования показывают масштабируемость решения. Проведен сравнительный анализ с аналогичными решениями, имеющими открытый исходный код.

Об авторах

М. А. Безель

Федеральный исследовательский центр «Информатика и управление» Российской академии наук (ФИЦ ИУ РАН)

Email: mbezel@frccsc.ru
Москва, Россия

А. Ю. Горчаков

Федеральный исследовательский центр «Информатика и управление» Российской академии наук (ФИЦ ИУ РАН)

Email: agorchakov@frccsc.ru
Москва, Россия

Д. С. Клянчин

Федеральный исследовательский центр «Информатика и управление» Российской академии наук (ФИЦ ИУ РАН)

Email: dklyanchin@frccsc.ru
Москва, Россия

Список литературы

  1. Achterberg T. Constraint Integer Programming : diss. Technical University of Berlin, Berlin, 2007.
  2. Wolsey L. A. Integer Programming. Hoboken, USA. John Wiley & Sons, 2020.
  3. Smith D. R. Applications of a Strategy for Designing Divide-and-conquer Algorithms //Science of Computer Programming. 1987. V. 8. № 3. P. 213–229.
  4. Nowak A., Folque D., Bruna J. Divide and Conquer Networks //6th Intern. Conf. on Learning Representations. Vancouver, Canada, 2018.
  5. Goycoolea M. Cutting Planes for Large Mixed Integer Programming Models: Diss. The H. Milton Stewart School of Industrial & Systems Engineering. Atlanta, USA, 2006.
  6. Contardo C., Lodi A., Tramontani A. Cutting Planes from the Branch-and-bound Tree: Challenges and Opportunities // INFORMS J. on Computing. 2023. V. 35. № 1. P. 2–4.
  7. Berthold T. Primal MINLP Heuristics in a Nutshell //Intern. Conf. on Operations Research. Rotterdam: Shpringer, 2013.
  8. Berthold T. Primal Heuristics for Mixed Integer Programs : Diss. Technical University of Berlin, Berlin, 2006.
  9. Fischetti M., Lodi A. Primal Heuristics in Mixed Integer Programming //Wiley Encyclopedia of Operations Research and Management Science. Wiley. John Wiley & Sons, 2010.
  10. Fischetti M., Glover F., Lodi A. The Feasibility Pump //Mathematical Programming. 2005. V. 104. № 1. P. 91–104.
  11. Naoum-Sawaya J. Recursive Central Rounding for Mixed Integer Programs //Computers & Operations Research. 2014. V. 43. P. 191–200.
  12. Danna E., Rothberg E., Pape C.L. Exploring Relaxation Induced Neighborhoods to Improve MIP Solutions //Mathematical Programming. 2005. V. 102. № 1. P. 71–90.
  13. Berthold T. RENS: the Optimal Rounding //Mathematical Programming Computation. 2014. V. 6. № 1. P. 33–54.
  14. Dantzig G.B. Origins of the Simplex Method //A History of Scientific Computing. N.Y. USA: ACM, 1990.
  15. Bixby R.E. Implementing the Simplex Method: The Initial Basis //ORSA J. on Computing. 1992. V. 4. № 3. P. 267–284.
  16. Shamir R. The Efficiency of the Simplex Method: a Survey //Management science. 1987. V. 33. № 3. P. 301–334.
  17. Koberstein A. The Dual Simplex Method, Techniques for a Fast and Stable Implementation : Diss. Germany, Paderborn University, 2005.
  18. Potra FA., Wright S.J. Interior-point Methods // J. of Computational and Applied Mathematics. 2000. V. 124. № 1–2. P. 281–302.
  19. Gondolo J. Interior Point Methods 25 Years Later //European J. of Operational Research. 2012. V. 218. № 3. P. 587–601.
  20. Ralphs T., Shinano Y., Berthold T., Koch T. Parallel Solvers for Mixed Integer Linear Optimization //Handbook of Parallel Constraint Reasoning. Palaiseau, France: Springer, 2018.
  21. Mitchell J.E. Branch-and-cut Algorithms for Combinatorial Optimization Problems //Handbook of Applied Optimization. 2002. V. 1. № 1. P. 65–77.
  22. Achterberg T., Bixby R.E., Gu Z., Rothberg E., Weninger D. Presolve Reductions in Mixed Integer Programming // INFORMS J. on Computing. 2020. V. 32. № 2. P. 473–506.
  23. Hosten S., Thomas R.R. Gomory Integer Programs //Mathematical Programming. 2003. V. 96. № 2. P. 271–292.
  24. Snir M., Otto S., Huss-Lederman S., Walker D., Dongarra J. MPI — The Complete Reference. 2nd ed. Cambridge: MIT Press, 1998.
  25. Gropp W., Lusk E., Skjellum A. Using MPI: Portable Parallel Programming with the Message-passing Interface. Massachusetts: MIT press, 1999.
  26. Gleixner A., Hendel G., Gamrath G., Achterberg T., Bastubbe M., Berthold T., Shinano Y. MIPLIB 2017: Data-driven Compilation of the 6th Mixed-integer Programming Library //Mathematical Programming Computation. 2021. V. 13. № 3. P. 443–490.
  27. Xu Y., Ralphs T.K., Ladányi L., Saltzman M.J. Computational Experience With a Software Framework for Parallel Integer Programming //INFORMS J. on Computing. 2009. V. 21. № 3. P. 383–397.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2025

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).