没有合适的资源?快使用搜索试试~ 我知道了~
可在www.sciencedirect.com在线获取理论计算机科学电子笔记314(2015)45-60www.elsevier.com/locate/entcsESS与ESS-IM的预报性能和质量比较分析MiguelM′endez-Garab ettia,b,1,Germa′nBianchinia,Mar ′ ıa Laura Tardivoa,b,c和Paola Caymes-Scutaria,baLaboratoriodeInvestigaci'onenC'omputoPar alelo/Distribuido(LIPaD),De p artamentodeIngenier'ıaenSistemasdeInformaci'on,F acultad RegionalMendoza-UniversidadTecnol'ogi caNacional.(M5502AJE)门多萨,阿根廷.b国家科学和技术研究委员会。cDe partamento deComputaci'on,UniversidadNacionaldeR'ıoCuarto。(X5804B YA)R'ıoCuarto,C'ordo ba,Argentina.摘要野火在世界各地造成重大破坏和损失。这些损害包括人类和经济损失以及环境损失。 因此,拥有模型来预测它们的行为可能是一个关键因素在交火过程中。在本文中,我们提出了我们已经开发的两种方法之间的比较研究。这两种方法都使用统计分析,并行进化算法和高性能计算,分别命名为:进化统计系统(ESS)和进化统计系统。岛模型(ESS-IM)。在这项研究中,我们比较了这两种方法的质量在并行环境中的预测和性能关键词:野火预测,加速,进化算法,高性能计算。1介绍正确使用火为人类带来了不可估量的好处然而,我们通常会观察到火灾失控的情况,在世界各地的不同大陆上烧毁大片植被[22]。这种现象被称为野火。这项工作得到了UTN项目EIUTIME 0002169 TC和ANPCyT项目PRH PICT-2008-00242的支持。第一作者要感谢CONICET的博士学位授予。1电子邮件:miguelmendezgarabetti@gmail.comhttp://dx.doi.org/10.1016/j.entcs.2015.05.0041571-0661/© 2015作者。出版社:Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。46M. Ménel-Garabetti et al. /Electronic Notes in Theoretical Computer Science 314(2015)45Fig. 1. 2014年4月,智利瓦尔帕莱索发生了一场贪婪的火灾不幸的是,人类引起的野火比自然原因引起的野火发生得更频繁[19]。此外,夏季炎热等气候条件有利于其传播,从而增加了危险性并阻碍了消防工作。野火的负面影响从人类损失到对植物、动物、空气、财产和水生生态系统的破坏例如,我们可以提到最近在瓦尔帕莱索(智利,2014年4月)发生的不幸野火,大火烧毁了2,900多所房屋,截至本文撰写时,造成15人死亡,约500人受伤,12,000多人无家可归和撤离(图1)。 这就是为什么拥有一个能够预测野火行为的模型在这个过程中非常感兴趣这将使我们能够更有效地分配灭火资源,从而减少损失、损害和成本。然而,预测野火行为的模型的发展受到一个叫做不确定性的重大缺点的阻碍。不确定性与干预和影响火灾行为的变量有关,即不确定性出现在实时量化某些变量的困难出现的那一刻。例如,风速和植被中的水分含量是火灾行为所依赖的一些参数,并且通常无法实时获得这些值。因此,这些参数由基于参考值、间接测量或采样的估计值表示,这降低了输入参数的准确性,从而影响了模型的预测质量。在每一个预测系统中,预测结果必须先于现实中的现象产生因此,在最短的时间内获得模型的输出是至关重要的,以便预测可以用于做出某种预防性决策。考虑到这一要求及其在任何预测过程中的固有复杂性,通常会观察到在并行/分布式环境中实现此类系统的趋势。需要强调的是,预测系统响应时间是一个非常重要的问题。M. Ménel-Garabetti et al. /Electronic Notes in Theoretical Computer Science 314(2015)4547相关特征,以及预测的质量。 在这个意义上,使用 高性能计算[10](HPC)的使用可以大大减少处理时间。然而,该工具应使用优化模型性能的技术或方法,与现实相差最小的预测本文着重于两种版本的一般不确定性降低方法(称为进化统计系统[3,9](ESS))之间的比较分析(在质量和性能预测方面)ESS是基于以前的研究结果,称为森林火灾管理统计系统(S2 F2 M)[7,8]。ESS用于操作:HPC,统计分析[20]和并行进化算法(PEAs)[1,11]。本文将该方法应用于林火行为预测。考虑到这一目的,我们使用了基于Rothermel模型的火灾蔓延模拟器[24]。在[4]和[9]中,ESS得到了比S2F2M更好的结果.此外,在[6]和[7]中,将该方法与其他方法进行了比较,在这些方法中,它获得了更好的性能,因此,本文仅在ESS和ESS-IM之间进行比较目前,ESS有两个操作版本,还有一个正在开发中。在该方法的第一个实现中,PEA使用了唯一总体和并行评估的方案[11]。在该方法的第二个操作版本中,PEA的并行性水平已经通过多种群和迁移[11,21]的方案增加,称为ESS与岛屿模型[17,18](ESS- IM)。最后,ESS还有一个正在开发的版本,它使用微分进化(DE)[23]作为优化方法,称为微分进化-统计系统[16](DESS)。在下一节中,提供了与ESS实现版本相关的PEA的简要描述和分类。接下来,给出ESS和ESS-IM的操作模式的详细描述。还提供了进行比较研究的实验的细节,描述了工作环境,然后给出了结果。最后,结论和未来的工作。2并行进化算法如上所述,本文的两种方法都使用PEA作为优化技术。因此,在本节中,将简要描述该Meta分析的操作及其两个实现的变体。进化元搜索是一种优化算法,它使用一组候选解(通常称为种群)在解空间中创建新的搜索点这些方法通常受到自然元素的启发,例如进化算法(EA),它基于适者生存的自然进化理论[12]。进化算法已经成功地应用于解决不同科学领域的优化问题EA的一般机制是一个称为代的迭代过程,48M. Ménel-Garabetti et al. /Electronic Notes in Theoretical Computer Science 314(2015)45这些候选解,称为个体,构成一个种群。在每一代中,该算法通过算子对种群成员应用自然选择和适者生存的原则,目的是用其元素逼近最优解每个个体都有一个代表解决方案质量的适合度值。 此外,EA必须保证具有较高拟合值的个体更有可能繁殖,因此他们可以参与生成新的解决方案。这是通过应用上述算子(交叉、变异和替换)来实现的当要用EA解决的问题需要相当长的执行时间时(通常是因为处理的问题的复杂性),它们通常以并行或分布式方式实现。EA的并行实现可以减少处理时间,并且还取决于解决方案的处理,增加算法的搜索能力。接下来,简要描述了EA的两种可选并行化:1)唯一总体和并行评估以及2)多个总体和迁移,这两种并行化分别用于ESS和ESS-IM。这些实现允许我们使用不同的并行级别,并且根据要处理的问题2.1具有唯一总体和并行评估的在这种并行化模型中,也被称为主/工人(因为其并行实现与范式主/工人相匹配[15]),PEA完全与属于单个群体的个体一起操作,其中个体的在每一代中,一定数量的个体是根据它们的适合度值选择的;这些个体随后通过重组或突变进行修饰,以组成新的种群。应该注意的是,运算符是根据整个人口应用的2.2多人口和移民与以前的模型不同,这个方案适用于多个群体,它通常被称为EA与岛屿模型,其中每个岛屿代表一个个体群体。由于操作符(变异和交叉)应用于同一种群的个体之间,因此这种并行化模型意味着操作符使用的个体因此,这种实现将等同于运行具有唯一种群的PEA的n个实例,因为岛将独立地进化。为了避免这一现象,在多种群模型中引入了一种新的算子--“迁移”算子。在迁移过程中,不同岛屿之间进行个体交换,以增加多样性,减少早熟收敛或停滞在局部最优的概率。M. Ménel-Garabetti et al. /Electronic Notes in Theoretical Computer Science 314(2015)45493ESS和ESS-IM:操作说明正如我们上面提到的,这项工作对应于两个版本的进化统计系统的比较:ESS和ESS-IM,应用于野火的预测。因此,本节将详细介绍这些版本中的每一个。3.1ESS:具有唯一种群的进化统计系统图二.进化统计系统:FS:火灾模拟器;PEA:并行进化算法;PEAF:并行进化算法(拟合度评估);OS:优化阶段;SS:统计系统;SK:搜索Kign;Kign:用于建立预测模型的关键值;FF:拟合度函数;CS:校准阶段;FP:火灾预测;PFL:预测火线;RFLx:实时火线x;SS:统计阶段;PV:参数向量。ESS是一种用于减少不确定性的通用方法,它使用具有独特种群方案的PEAs,应用并行评估来优化为模型提供的搜索参数。ESS中的输入参数由给定总体的个体表示。每个个体由表示模型的每个输入参数的一组值组成(例如,植被中的含水量、植被类型、风向和风速、地形坡度等)。如图2所示,优化阶段(OS-Worker)由工作节点执行。该阶段通过两个内部子阶段(称为火灾模拟(FS)和PEA 适 应 性 评 估 ( PEAF ) ) 对 个 人 进 行 适 应 性 评 估 。 FS 必 须 在 时 间 ti−1(RFLi−1)与输入参数向量(PV)一起馈入实火线。当FS完成对个体的模拟时,每次模拟的结果被输入到阶段PEAF,以将模拟地图与时间ti(RFLi)的真实地图进行比较。在这里,考虑到模拟地图和真实地图之间的差异,计算每个人的拟合值。显然,方法的执行时间取决于可以并行执行的OS-Worker实例的数量,而这实际上取决于可用处理单元的数量。还应注意到,所有个人50M. Ménel-Garabetti et al. /Electronic Notes in Theoretical Computer Science 314(2015)45先前由OS-Worker处理的数据必须已经从主节点发送到相应的工作节点。主节点还执行PEA的剩余操作(即, 种群生成、个体选择、交叉和变异)以及与每个工作者的通信功能(通过OS-Master阶段执行的任务)。一旦总体达到一定的拟合水平,就进入校准阶段(CS-Master)。在这个阶段,进化的种群喂养一个称为统计阶段(SS,见[7,8])的子阶段SS的输出是一个概率图,用于子阶段SKign(搜索关键点火Kign值),以确定火灾行为模式。找到的值Kign用于对下一时刻(ti+1)进行预测概率图的拟合度评估在实现拟合度函数(FF)的阶段中进行此外,SKign的输出与SS提供的概率图相结合,以在火灾预测阶段(FP)生成预测(PFL可以看出,ESS基于Master/Worker模型[15],其中主进程在每次迭代中将个体分配给工作者。工作者负责个体的并行适应性评估,然后将结果返回给主程序。然后,对整个种群进行评估,主节点对种群进行进化,包括部分结果并执行下一个时间步的预测。3.2ESS-IM:进化统计系统与孤岛模型ESS-IM开发的目的是提高质量的预测ESS通过增加的多样性所产生的进化组件的方法。这一目标是通过使用多个人口,使用称为岛屿模型的计划来实现的由于模型的特性,ESS-IM在两级架构中实现:L1和L2(也可以看作是一个分层算法),如图3所示。在第1级(L1)中,该算法响应于进化粗粒度多种群算法。该层由一个监控节点组成,负责通过与每个岛通信来控制整个预测过程。监视器节点通过向每个岛发送必要的信息来执行岛的初始化,以并行地执行模拟。同时,低层L2响应于主/工人模型,因为它由主节点(负责控制岛的操作)和n个工人组成在ESS中,工人负责评估人口的适应性。然而,在ESS-IM的每次执行中,L2的j个实例并行执行。在ESS-IM中,主节点将个体发送给工作节点,完成种群的进化,并负责个体的迁移。每个岛的主节点执行的功能取决于保密通信拓扑。从性能的角度来看,这取决于预定迁移参数的设置。其中一些参数是:岛屿的数量、每个岛屿的个体数、迁移的个体数、迁移标准、迁移频率、通信拓扑(见表1)。一旦所有主节点都发送了它们的结果,监视节点就执行M. Ménel-Garabetti et al. /Electronic Notes in Theoretical Computer Science 314(2015)4551图3.第三章。ESS中的分层体系结构与孤岛模型。两级通信方案L1和L2。每个模拟步骤的火线预测。参数ESSESS-IM门限适应度XX迭代次数XX的人数XX每个岛屿–X海岛数量–X移民人数–X迁移标准–X迁移频率–X工人数量X–每个岛屿的工人人数–X通信拓扑–X表1每种方法的配置参数。ESS-IM的两个级别(L1和L2)在每个主机中都有一定程度的重叠如图4所示,校准阶段(CS-主)执行与监控节点(L1中)的通信功能,优化阶段(OS-主)执行与工作节点(L2中)的通信功能。两个ESS-IM级别的详细操作可以总结为两个优化阶段(OS-Worker52M. Ménel-Garabetti et al. /Electronic Notes in Theoretical Computer Science 314(2015)45图四、进化统计系统与岛屿模型:FS:火灾模拟器;PEA:并行进化算法;PEAF:并行进化算法(适合性评估);OS:优化阶段;SS:统计阶段;SK:搜索Kign;Kign:用于建立预测模型的关键值;FF:适合性功能;CS:校准阶段;FP:火灾预测;PFL:预测火线;RFLx:实时火线x;PV:参数向量;SSM:统计阶段(监视器);PP图:概率图和OS-Master)、两个校准阶段(CS-Master和CS-Monitor)和一个火灾预测阶段(FP)。OS-Worker阶段通过作为PEA(PEAF)一部分的拟合函数执行总体评估。在每个岛上,都有一个OS-Master阶段,负责执行种群的进化和执行个体CS-主级执行与ESS相同的功能,除了SS输出与j岛计算的jKign值一起发送到CS-监视器该阶段具有三种操作模式:CS-监视器-1、CS-监视器-2和CS-监视器-3。最后,FP阶段根据概率图和CS-Monitor计算的Kign值为每个模拟步骤执行火线预测(PFL)。每种操作模式在质量和性能预测方面都有优点和缺点CS-Monitor-1:在此模式下,选择为每个岛获得的最佳Kign这意味着那些已经完成当前模拟步骤的岛不能继续进行下一步骤,直到所有岛都完成了当前步骤。该方案通过惩罚性能来优先考虑该方法的预测质量,因为可能存在满岛节点M. Ménel-Garabetti et al. /Electronic Notes in Theoretical Computer Science 314(2015)4553是闲置的。值得一提的是,每个岛将由至少两个处理单元组成。然而,岛通常使用更多数量的节点,因此,集群中的空闲处理器或核心的数量可能相当大。CS-Monitor-2:在此模式下,根据每个岛的统计图生成的统计图评估Kign这种配置还意味着全局同步,因为必须等到所有岛都将结果发送到监视器节点。CS-Monitor-3:此配置旨在提供最佳可能性能,因为预测是使用最先完成的岛的Kign值执行的(即,在最短时间内找到的值就预测质量而言,这种模式提供了不同的结果,因为它们取决于在较短时间内完成的岛屿种群的特征重要的是要注意,ESS和ESS-IM都有不同的初始化参数,这些参数决定了方法的操作,既包括质量预测,也包括执行时间。这些参数中的每一个列于表1中,其中可以看出,其中大多数与PEA有关。虽然这项工作没有详细分析这些参数中的每一个对方法行为的影响,但在[2]的工作中,对ESS的参数进行了调整,并且在未来的研究中,将分析这些参数在ESS-IM中的影响4实验设计实验的目的是评估的性能和预测的质量时,在并行环境中执行的两种方法。4.1预测质量评估ESS和ESS-IM的预测质量已经通过使用三个真实案例研究进行了比较,这些案例研究对应于在位于葡萄牙(更准确地说是在Gestosa的SerraLousLousa)的不同土地上进行的受控火灾,所有这些案例都与 SPREAD项目有关[25]。每个测试用例都有一定的持续时间(以分钟为单位)、坡度(以度为单位)和面积(以平方米为单位)。每个野火的总持续时间被分成称为模拟步骤的较小时间段;表2显示了每个测试用例的详细信息情况宽度(m)长度(m)面积(平方米)斜率(d) 初始时间增加结束时间160905.40062,02,010,02891099.701212,02,014,039512311.685214,02,012,0表2实验:大小,斜率和每个模拟步骤的细节54M. Ménel-Garabetti et al. /Electronic Notes in Theoretical Computer Science 314(2015)45(单元格数)−#BurnedCells)模拟地图和真实地图,#Cells是存在于细胞中的细胞数量,图五、a)野火发展表示,b)模拟步骤和c)预测。4.1.1模拟和预测步骤强调模拟步骤和预测步骤之间的区别很重要:参见图5。在这里,我们可以看到,对于一个特定持续时间的野火,存在ts个代表性的火线进展样本,因此,s-1模拟步骤和s-2预测步骤。这是因为这些方法需要输入参数的校准阶段,因此它们不能立即进行预测(即,在第一模拟步骤期间,范围在t1和t2之间)。第一个模拟步骤用于执行输入参数的初始校准。在执行该校准之后,系统能够对第二模拟步骤进行第一预测,这相当于第一预测步骤(即,在T2和T3之间)。因此,对于每个测试用例,获得s因此,在实验的每个预测步骤4.1.2预测质量评价的适应度函数每种方法的预测质量都是通过一个拟合函数来评估的,该函数量化了预测结果图与真实图之间的差异。这种功能基于细胞,因为两种方法中涉及的映射都使用这种类型的表示。其定义如下:(一)适应度=(#Cells-#BurnedCells)其中,#Cells表示M. Ménel-Garabetti et al. /Electronic Notes in Theoretical Computer Science 314(2015)4555所得到的模拟图和真实图的并集,并且#BurnedCells表示在开始模拟之前燃烧的单元的数量(即,对应于每个预测步骤中野火的初始状态)。(1)的结果值将在0和1之间,其中等于1的值对应于完美预测,因为这意味着预测面积等于实际燃烧面积。此外,拟合度值等于0将指示最大误差,因为预测与现实完全不同4.2绩效考核关于这两种方法的性能评估,已经使用称为加速的度量进行了分析[13],该度量被定义为使用单个处理单元解决问题所需的时间与在具有x个相同处理元素的并行/分布式环境中解决同一问题所需的时间之间的比率等式(2)示出了如何计算加速,其中t(1)表示具有N个处理单元的串行执行时间,t(N)表示具有N个处理单元的并行执行时间。(1)(二)S=t(N)这两种方法都是在MPI [14]和千兆以太网环境下,在具有32个处理单元的Linux集群上执行的。4.3开展相关实验如前所述,ESS和ESS-IM将其操作集中在并行进化算法中,这意味着这两种方法都具有非确定性行为,因为每个种群的个体都是使用随机生成的种子生成的。因此,为了在两种方法之间进行公平比较,使用了一组30个不同的种子。也就是说,每种方法的三个真实射击案例各执行30次。以这种方式进行实验,目的是确定每个实验和每个方法的平均结果。5结果本节显示了在评估两种方法后获得的结果,包括预测质量和性能方面。5.1预测分析在预测质量方面,实验1、2和3的结果分别显示在图6、7和8重要的是要记住,上述图表中描述的结果显示了30次运行的平均值。每个实验都使用随机种子进行,但两种方法的初始种子相同,因此比较结果尽可能公平56M. Ménel-Garabetti et al. /Electronic Notes in Theoretical Computer Science 314(2015)450.90.850.80.750.70.650.66 8 10时间ESSESS−IM(CS−Monitor−1)ESS−IM(CS−Monitor−2)ESS−IM(CS−Monitor−3)见图6。 实验1. 预测质量分析。0.90.80.70.60.50.40.30.26 8 10 12 14时间ESSESS−IM(EC−Monitor−1)ESS−IM(EC−Monitor−2)ESS−IM(EC−Monitor−3)见图7。 实验2. 预测质量分析。在每个图中,x轴表示根据预测步骤的火灾进展时间(见图5),y轴表示上文第4.1.1节中提到的每个预测步骤实现的拟合值。一般来说,我们可以看到,ESS-IM,主要是在CS-Monitor-1模式下,超过了ESS提供的结果,但有一些例外:在实验1(图6)中,ESS在第一个预测步骤中,适应度值适应度值M. Ménel-Garabetti et al. /Electronic Notes in Theoretical Computer Science 314(2015)4557在CS-Monitor-2和CS-Monitor-3模式下超过了ESS-IM。在第二步中,它仅超过CS-Monitor-3,就像在最后一个预测步骤中一样。在第二个实验中(图7),ESS获得了更好的结果。58M. Ménel-Garabetti et al. /Electronic Notes in Theoretical Computer Science 314(2015)450.80.750.70.650.60.550.56 8 10 12时间ESSESS−IM(CS−Monitor−1)ESS−IM(CS−Monitor−2)ESS−IM(CS−Monitor−3)见图8。 实验3. 预测质量分析。仅在第二预测步骤中,预测质量比CS-监视器-3模式中的ESS-IM更差。最后,在第三个实验中(图8),ESS在整个实验中获得了比ESS-IM(在CS-Monitor-3模式下)更好的结果。在第10分钟,ESS获得与CS-Monitor-1相同的性能,并且在最后一个预测步骤中获得第二好的性能5.2性能分析图9显示了上述每种方法的加速分析结果。该图对应于在特定情况的模拟中使用1、2、4、8、16和32个处理单元。为了绘制每个加速曲线,考虑到每个情况的平均值,执行相同数量的模拟一般来说,我们可以看到,所有的方法都显示出非常好的结果,高达16个处理单元的使用。从那时起,ESS-IM的两种模式(CS-Monitor-2和CS-Monitor-3)继续保持相同的趋势,显示出非常好的性能,接近理想的加速,与CS-Monitor-1模式和ESS中的ESS-IM形成对比。虽然后一种方法在使用32个过程时获得的性能优势有所下降,但根据这些方法在预测质量方面获得的结果,这是一个重要的因素。我们可以说CS-Monitor-1模式下的ESS-IM和ESS具有此外,通过使用更多的处理单元,可以减少执行时间。显然,我们必须做一些努力,试图提高这些方法的资源利用率,从而更好地利用它们,换句话说,获得性能收益.适应度值M. Ménel-Garabetti et al. /Electronic Notes in Theoretical Computer Science 314(2015)4559321684211 2 4 8 16 32处理器线性ESSESS−IM(CS−Monitor−1)ESS−IM(CS−Monitor−2)ESS−IM(CS−Monitor−3)见图9。 加速分析。5.3有效性的威胁从本质上讲,任何这类实证研究的有效性都受到威胁。本节讨论了一些威胁以及应对这些威胁的方式应当指出,无论何时进行比较研究,确保其尽可能可靠至关重要。因此,有必要分析这些威胁,以确保结论是正确的[26]。其中一个重要的因素是与固有的随机行为的PEA在这两种方法中使用。因此,对于每种方法,每个实验进行30次运行,正如前面讨论的那样。偏倚的另一个潜在来源是每种方法中使用的参数设置,以及它可能有利于或损害一种或两种方法的性能的可能性。在这种情况下,我们决定为ESS和ESS-IM都采用一组标准参数,以便不对任何特定方法有利。6结论野火,像任何其他可能产生某种自然灾害的现象一样,被认为是高度危险的。因此,预测它们的行为以最大限度地减少它们造成的损失和损害是非常有意义的由于这类现象的模拟通常会受到模型输入参数的不确定性的影响,因此建议将不确定性降低功能纳入其中,以便以尽可能小的误差程度进行预测。此外,为了使这些预测用于作为战斗过程一部分的决策,这些结果应该在尽可能短的时间内提供为了实现这一目标,通常使用减少处理时间的典型高性能系统。在这项研究中,我们评估和比较了两种方法,加速60M. Ménel-Garabetti et al. /Electronic Notes in Theoretical Computer Science 314(2015)45用于减少不确定性,并已开发和应用于野火预测。 其中之一是所谓的进化统计系统(ESS)和其他ESS与岛屿模型(ESS-IM),它有三种模式的操作,这取决于内部处理的概率地图。重要的是,这种分析是在并行/分布式环境中进行的预测质量和性能优势。结果表明,新的实现,ESS-IM在CS-Monitor-1模式,提供了很大的改善,在预测的质量。然而,这一结果被与ESS-IM的其他操作模式相比所获得的降低的加速略微掩盖,ESS-IM的其他操作模式优先考虑处理时间以预测质量。进一步的研究将集中于考虑优化计算资源使用的替代方案,目的是提高提供最佳预测水平质量的模式(即CS-Monitor-1模式下的ESS-IM)的性能增益。此外,将评估其他元算法,如DESS,这是一个正在开发的ESS版本,其中包含了作为优化方法的进化算法引用[1] 阿尔巴和Tomassini M.,进化论和进化算法,进化计算,IEEE Transactions on6(5)(2002),pp.443-462[2] 比 安 奇 尼 湾 和 CaymesScutariP. , 森 林 火 灾 预 警 ESS 系 统 参 数 的 校 准 ,XXXIXConferenciaLatinoamericanaenInform'atica,CLEI2013VolecioI. ClubPuertoAzul,Naiguat'a,Venezuela,(2013),pp. 102-111[3] 比安奇尼湾和Caymes Scutari P.,基于统计学和并行进化算法的不确定性降低方法,高性能计算研讨会论文集-40 JAIIO。HPC2011,C'ordoba,Arge ntina,(2011),pp. 一比四[4] 扁 枝 草和 C aymesScutariP. ,M'et odosBasadosenComputaci'ondeAltoRendimientopa raP redecirelComportamientodeIncendiosForestales,S'eptimoEncuentrodelIninternationalCernterforEarthSciences(E-ICES 7). Mgue,Arge ntina,(2011),pp. 28比36[5] Bian chiniG.,我的天啊, 马尔加列夫 和卢克·E 使用高性能计算的Wild fires改进的预测方法:比较,计算机科学讲义3991(2006),pp. 539-546.[6] Bian chiniG.,我的天啊, 马尔加列夫 和卢克·E 基于分布式计算的不确定性研究方法在森林火灾预测中的应用,38 JAIIO高性能计算(HPC 2009)。马德普拉塔,阿根廷,ISSN 1851-9326(2009),pp.99比113[7] Bian chiniG., DenhamM.,我的天啊, 马尔加列夫 和卢克·E 基于多重重叠解的Wil dland有限增长预测方法,计算科学杂志1(4)(2010),pp. 229-237.[8] Bian chiniG., DenhamM.,我的天啊, 马尔加列夫 和卢克·E 通过应用统计方法改进评估预测,森林生态学与管理234(S1)(2006),pp. 210.[9] Bian chiniG., M'endez-GarabettiM.和C aymesScutariP.,演化统计系统的不确定性减少问题的野火,XVIII CACIC,XII研讨会德过程分配和Paralelo(WPDP)。 Ba h'ıaBlanca,Arge ntina,(2012),pp.230-238[10] Buyya河,“High Performance Cluster Computing: Architectures and Systems,” Prentice Hall,[11] 你不能去找艾, AsurveyofParallelGeneticAltains,CalculateursPara lleles,ReseauxetSystemsRepartis 10(2)(1998),pp. 141-171[12] 达尔文C “On the Origin of Species by Means of Natural Selection,” London, Murray,M. Ménel-Garabetti et al. /Electronic Notes in Theoretical Computer Science 314(2015)4561[13] Dongarra J.,福斯特岛,福克斯·G Gropp W.,肯尼迪,托尔聪湖白A, “Source-book of[14] Gropp W., 拉 斯 克 湖 和 Skjellum A. , “Using MPI - Portable Parallel Programming with the Message-Passing[15] 马特森·T桑德斯湾和Massingill B.,[16] 门德斯-加拉贝蒂M.,TardivoM.L.,变ChiniG.和恰伊梅 斯-斯库 塔里P.,P redicci'ondelCom p ortamientodeIn cendiosFo restalesm edianteunM'et ododeRedu cci'ondeIn c ertidumrebasadoenHPCyEvoluci'onDife rencial , XVIWorkshopdeI nvestigadoresenCienciasdelaComputac i'on(WICC 2014),Tierra del Fuego,Argentina,(2014),pp. 690-694.[17] M'endez-GarabettiM., Bian chiniG., 从M开始。L. 和C aymes-ScutariP.,进化统计系统与岛屿模型森林火灾蔓延预测,HPCLatAm 2013,会议:进化计算&调度,门多萨,阿根廷,(2013),pp. 61比64[18] 门德斯-加拉贝蒂M.,变ChiniG.,TardivoM.L.和恰伊梅斯-斯库塔里P.,P redi cci'ondelcom portamientodein cendiosfo restalesm edianteapli caci'ondemodelodeislasaESS , 9no Encue ntrodelIninternationalCernterForEarthSciences(E-ICES9),Mguée,Arge ntina,(2013),pp. 五十五[19] MorenoR od r'ıguezJ. M., R od r'ıguez-UrbietaI., Z avalaG. 和Mar t'ınM., Pelig rodein cendioenCastilla-La Manchabajo escenarios de clima futuro,Seguridad y Medio Ambiente 114(2009),pp. 32-42.[20] 蒙哥马利·DC. 和Runger G.C.的方法,[21] MuéhlenbeinH.,ParaeleleleilGeneticAlltensms,PopulationGeneticsandCombinatorialOptimizationn,Geneticism,Learning,Evolution,LectureNotes in Computer Science 565(1989),pp. 398-406[22] 全方位新闻,“Forest Fires: A Reference Handbook (Contemporary World Issues),” ABC-CLIO,[23] Price K. , 斯 特 龙 河 和 Lampinen J. , “Differential Evolution: A Practical Approach to GlobalOptimization,” Springer,[24] 罗瑟梅尔河C.的方法,“预测荒地燃料中火灾蔓延的数学模型,”Res. Pap。INT- 115,美国部门农业,林务局,山间森林和牧场实验站。(犹他州奥格登),一九七二年[25] 维加斯湾X.,//www.algosystems.gr/spread/网站。[26] WohlinC., RunesonP., 霍斯特·M., 奥尔森湾C.的方法,雷格内尔湾 和Wess l'enA.,“软件工程中的实验教学-导论”,Kluwer Academic Publishers,1999。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功