CN1902646A - 参数调节装置 - Google Patents

参数调节装置 Download PDF

Info

Publication number
CN1902646A
CN1902646A CNA2004800391461A CN200480039146A CN1902646A CN 1902646 A CN1902646 A CN 1902646A CN A2004800391461 A CNA2004800391461 A CN A2004800391461A CN 200480039146 A CN200480039146 A CN 200480039146A CN 1902646 A CN1902646 A CN 1902646A
Authority
CN
China
Prior art keywords
processing
cpu
search
parameter
parameter adjustment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CNA2004800391461A
Other languages
English (en)
Inventor
村川正宏
伊藤桂一
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Evolvable Systems Research Institute Inc
Original Assignee
Evolvable Systems Research Institute Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Evolvable Systems Research Institute Inc filed Critical Evolvable Systems Research Institute Inc
Publication of CN1902646A publication Critical patent/CN1902646A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S707/00—Data processing: database and file management or data structures
    • Y10S707/99931—Database or file accessing
    • Y10S707/99932—Access augmentation or optimizing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S707/00—Data processing: database and file management or data structures
    • Y10S707/99931—Database or file accessing
    • Y10S707/99933—Query processing, i.e. searching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S707/00—Data processing: database and file management or data structures
    • Y10S707/99931—Database or file accessing
    • Y10S707/99933—Query processing, i.e. searching
    • Y10S707/99934—Query formulation, input preparation, or translation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S707/00—Data processing: database and file management or data structures
    • Y10S707/99931—Database or file accessing
    • Y10S707/99933—Query processing, i.e. searching
    • Y10S707/99935—Query augmenting and refining, e.g. inexact access
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S707/00—Data processing: database and file management or data structures
    • Y10S707/99931—Database or file accessing
    • Y10S707/99933—Query processing, i.e. searching
    • Y10S707/99936—Pattern matching access

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Design And Manufacture Of Integrated Circuits (AREA)

Abstract

本发明的课题是提供一种使用多个处理装置、利用遗传算法可以在短时间内调节物理模型的多个参数等的参数调节装置。参数调节装置具有处理分配单元，其将多个处理单元内的一部分分配给基于局部搜索法的搜索处理，向性能低的处理器分配局部搜索的处理。并且，收集基于遗传算法的搜索的中间结果，利用基于局部搜索法的搜索处理。通过有效利用系统内的资源而使调节处理实现并行化和高效化，由此具有能够在短时间内确定最优的参数组的效果。

Description

参数调节装置
技术领域
本发明涉及参数调节装置，特别涉及使用多个处理装置(处理器、CPU)通过遗传算法(以下记为GA)在短时间内可以调节物理模型的多个参数等的参数调节装置。
背景技术
以往，提出了根据实验结果等、利用GA自动进行包含多个参数的物理模型的参数拟合(parameter fitting)(调节)处理的参数调节装置。作为GA的参考文献，例如有下述非专利文献1。并且，在本发明中所说的GA是指进化计算方法，也包含进化策略(Evolution Strategy：ES)的方法。作为进化策略的参考文献，例如有下述非专利文献2。
并且，在下述的专利文献1中，提出了利用GA自动进行包含多个参数的物理模型的参数调节处理的参数调节装置。
非专利文献1：David E.Goldberg著「Genetic Algorithms in Search，Optimization，and Machine Learning」1989年，出版社ADDISON-WESLEYPUBLISHING COMPANY，INC.出版
非专利文献2：H.P.Schwefel著「Evolution and Optimum Seeking」1995年，出版社John Wiley & Sons出版
专利文献1：日本特开2003-108972号公报
发明内容
在上述的现有的参数调节方法中，采用了如下的方法：首先最初利用GA进行参数调节(搜索)，在搜索的最后阶段利用局部搜索法来提高精度。但是，利用GA的搜索在最后阶段搜索速度降低，因此要利用GA提高精度时，处理时间变长，另一方面，提早切换为局部搜索法会有可能找不到最优解的问题。
并且，GA处理比较适合于并行处理，而局部搜索法还存在不适合通过并行处理来实现高速化的问题。而且，根据应用的模型，存在局部搜索法比GA更快找到最优解的可能性，但在这样的模型中也存在通过现有方法则无法缩短处理时间的问题。
本发明的目的在于解决上述的问题，为此，本发明的参数调节装置采用多个处理单元(CPU)、使用遗传算法对参数进行优化，其主要特征是具备处理分配单元，其将多个处理单元内的一部分分配给由Powell法等的局部搜索法所实现的搜索处理。
并且，特征还在于，在多个处理器的性能不均匀的情况下，将局部搜索处理分配给性能低的处理器。并且，特征还在于，从多个处理器中的被分配给基于遗传算法的处理的处理器中收集搜索的中间结果，用于基于局部搜索法的搜索处理中。
并且，特征还在于，具有个体数确定单元，其根据各个处理单元的处理能力确定多个处理单元内、被分配给基于遗传算法的处理的处理单元中的、进行遗传算法处理的个体数。并且，特征还在于，具有判断单元，其判断多个处理器是否满足各个搜索处理结束条件，在任意的处理器中判断为结束的情况下，结束整个装置的处理。
本发明的参数调节装置根据如上所述的特征，有效利用系统内的资源，使拟合处理实现了并行化和高效化，由此具有能够在短时间内确定最优的参数组的效果。
附图说明
图1是表示本发明的参数调节装置的实施例的硬件结构的方框图。
图2是表示本发明的使用GA的参数调节处理的概略时序图。
图3是表示管理CPU1中的处理内容的流程图。
图4是表示GA用CPU处理内容的流程图。
图5是表示局部法用的CPU处理内容的流程图。
图6是表示S16、S36的GAn处理的内容的流程图。
符号说明
10、11、12、13…CPU；
14…LAN(局域网)；
15…键盘；
16…显示器
具体实施方式
本发明的参数调节装置例如可在下述情况中使用：在半导体制造生产线中，试作几个不同形状的晶体管，利用所测量的电特性数据，对晶体管电特性模型函数的模型参数进行优化，使用该模型进行任意形状的晶体管的仿真。但是，本发明并不限于此例，而可应用于利用GA的任意的处理中。以下说明实施例。
实施例1
图1是表示本发明的参数调节装置的实施例的硬件结构的方框图。CPU1(10)～CPUn(13)的公知的n台个人计算机通过公知的LAN14连接。在CPU1(10)上连接有数据输入输出用的公知的显示器16、键盘15，但也可以与其它的CPU连接。也可以在各个CPU上搭载公知的数据输入输出装置。通过在各CPU中分别作成并安装后述的程序来实现本发明的参数调节装置。
并且，该结构为一例，在1台的服务器中搭载多个CPU的情况、或者通过互联网连接有多个个人计算机的情况下等，本发明可以应用于实质上可通过多个处理装置(CPU)实现并行处理的任意的计算机系统。并且，在超线程(hyper threading)功能等、通过1个CPU实质上能够并行地执行多个处理的情况下，也能够应用本发明。
图2是表示本发明的使用GA的参数调节(拟合)处理的概略时序图。CPU1作为管理用CPU而工作，除了进行GA处理(局部法处理)以外，进行数据的输入输出、向其它CPU分配处理、以及整个参数调节处理的管理等。CPU2～CPUn-1为分配给GA处理用的CPU。CPUn为分配给局部法的搜索处理用的CPU。另外，n为大于等于2的整数。
CPU1针对每个预定周期(GA的预定数量的世代交替处理＝GAn处理)、从其它的CPU中收集处理结果(评价值好的个体信息)而判断结束条件，在满足了结束条件的情况下，结束整个处理，输出结果。GA处理用CPU在每次从管理用CPU1进行了指示时执行GAn处理。在GAn处理中按照预定的周期进行与其它的GA用CPU交换个体的迁移处理。并且，按照与此独立的周期，向局部法用CPUn(或者通过管理用CPU)发送此时评价值好的个体信息。
局部法用CPUn从管理用CPU或GA用CPU接收到个体(参数)信息时，通过公知的局部搜索方法进行参数的优化(搜索)。然后向管理用CPU发送搜索结果。
图3是表示管理CPU1中的处理内容的流程图。在S10中检索能够作为GA用或局部法用而利用的其它CPU。在S11中判断能够利用的CPU的处理能力是否已知，在判断结果为否定的情况下转向S12。在S12中判断处理能力未知的CPU的处理能力。可采用读取CPU的时钟频率信息作为能力、通过运行简单的标准检查(benchmark test)程序来测量处理时间而测量能力等的方法。
在S13中选定局部法用的CPU。作为选定条件，例如选定处理能力最低的CPU。也可以将管理用CPU1选定为局部法用的CPU，但在此例中假设选定了另外的CPUn。并且，也可以预先执行S10～13的处理。还可以预先向管理CPU1登记能够利用的CPU及其处理能力、处理的分配等。
在S14中，向各CPU分配GA或局部法处理所需的输入数据。在S15中生成管理用CPU中的GA处理用的个体(染色体)。例如在半导体制造生产线的情况下，生成N个将晶体管的物理模型函数的全部或一部分的参数的值作为基因的染色体(个体)，作为个体母集团。个体的生成是指确定染色体中的基因的值。并且，在公知的BSIM等的晶体管的物理模型中，对于各参数已经设定有推荐的参数初始值的范围，所以对于各参数，在推荐的参数初始值的范围内随机地确定初始值作为基因的值。
基本上根据应调节的参数的数量来确定个体数N。在实施例中，例如可以使个体数N＝参数个数×常数(例如5～15)。另外，个体数N越大则精度越高，但处理时间也越长。另一方面，使处理能力不同的多个CPU执行相同个体数N的GA处理时，快的CPU要等待，直到慢的CPU的处理结束。因此，可以通过使处理能力越大的CPU的N越大，使得分配给GA用的多个CPU的处理时间大致相同。
在S16中进行后述的GAn(或局部法处理)处理。在S17中收集包括自己的数据在内的所有的CPU的处理结果数据。在S18中，判断是否满足结束条件。作为结束条件，例如设为满足以下的(1)～(3)中的任意一个条件的时候。(1)任意的个体的评价值达到预先设定的目标值或以上。(2)评价值的增加率低于预定值。(3)计算次数超过预定值。
在S19中对所有的CPU指示结束，在S20中例如向显示器、打印机、文件等输出结果。并且，在S16的处理中从其它的CPU发送来上述结束条件之(1)的信息的情况下，可以立刻中止S16的处理，转向S19。
图4是表示GA用CPU处理内容的流程图。在S30中等待至从管理CPU接收到数据，在S31中，接收到的数据是结束指示时，结束处理。在S32中，判断接收到的数据是否为在S14中所分配的数据，判断结果为肯定的情况下转向S33。在S33中生成本CPU中的GA处理用的个体(染色体)。该处理与S15为相同的处理。在S34中登记所生成的个体作为母集团，转向S36。
在S35中判断接收到的数据是否为继续执行指示，判断结果为肯定的情况下转向S36。在S36中执行后述的作为GA的预定数的世代交替处理的GAn处理。在S37中向管理CPU传送作为GA处理的结果的、评价值为上位的预定个数的个体的信息，返回S30。
图5是表示局部法用的CPU处理的内容的流程图。在S50中等待至从管理CPU接收到数据，在S51中，接收到的数据是结束指示时，结束处理。在S52中判断接收到的数据是否为在S14中所分配的数据，判断结果为肯定的情况下转向S55。
在S53中判断是否为从GA用CPU发送的作为中间结果的评价上位数据，判断结果为肯定的情况下转向S54。在S54中，将从各CPU收集到的上位个体数据按照评价值顺序进行排序等，选择要进行搜索处理的个体。并且，如果局部法用的CPU能在其它的CPU的GAn处理中多次执行局部法搜索处理，则在可执行的范围内选择的个体数也可以是多个，在多个的情况下一个一个按顺序处理。
在S55中，例如通过“ニュ一メリカルレシピ·ィン·シ一(Numericalrecipe in C)，技術評論社，1993”等所记载的公知的Powell法或其它的公知的局部搜索法进行参数的调节、即评价值好的参数的搜索。该处理与GA处理相比处理负荷轻，因此即使是处理能力低的CPU也能够与GA处理相比在更短的时间内进行处理。在S56中，向管理CPU传送作为处理结果的、评价值为上位的预定个数的个体的信息，返回S50。
图6是表示S16、S36的、作为GA的预定数的世代交替处理的GAn处理内容的流程图。在S60～62中进行公知的遗传算法处理中的1世代的世代更新处理。另外，在前述专利文献中记载有详细内容。首先，在S60中从母集团随机地选择预定数量的个体，通过杂交处理生成子个体。杂交处理是指分别生成任意个所选择的父个体的复制体、在这些复制个体之间交换一部分基因、或根据各个基因生成新的基因，由此生成任意个子个体的处理。
在S61中计算在S60中所生成的子个体的评价值。评价值是指以染色体中的基因作为参数、表示与理想值接近到何种程度的值。在应用于半导体制造生产线上的情况下，计算利用以染色体中的基因作为模型参数的晶体管电特性模型函数计算出的特性估计值与通过晶体管的尝试实验得到的特性测量值之间的平方误差。而且，设为平方误差值越低，评价越好。
在S62中，从S60中选择出的父个体以及所生成的子个体中、将按照评价好坏的顺序取出的个体数那么多返给母集团，抛弃剩下的个体。通过该处理，评价值低的染色体被淘汰。而另外，也可以采用如下的方法：不将父个体的一部分作为淘汰的对象而直接返给母集团，从剩下的父个体与子个体中、按照评价好坏的顺序返回“剩下的父个体”数那么多的方法；或者将所有的个体返给母集团之后，只留下原来的母集团的个数那么多，淘汰其它个体的方法。
通常，在GA中除了进行杂交以外还进行突变处理。但是，例如在前述的专利文献中，在杂交过程中利用随机数生成子个体的基因，因此也具有突变的性质。因此，在采用如上所述的杂交方法的情况下，不需要另外进行突变。并且，在使用实数值的GA的情况下，作为突变处理提出了向染色体的各基因加上根据正态分布产生的正态随机数的处理，也可以追加这样的突变处理。
在S63中，判断精度、即与使用了个体的参数的物理模型的实验结果之间的误差＝评价值最好的个体是否达到了目标值，判断结果为肯定的情况下转向S72。在S64中判断GA处理(世代交替)是否执行了预定的次数(在图2中为6次)，判断结果为肯定的情况下转向S72。
在S65中，判断局部法用的个体提取周期(在图2中为3次)是否到来，判断结果为肯定的情况下，转向S66。在S66中，向局部法用CPU传送预定数量的评价好的个体。在S67中，判断迁移周期(在图2中为2次)是否到来，判断结果为肯定的情况下转向S68，否定的情况下返回S60。
本发明的并行GA方式针对每个处理器使个体集团独立地进化。因此，在每个处理器的GA中与单一集团的GA相比，解的多样性降低，因此导致拟合性能降低。因此，追加被称为迁移的处理。迁移是在各CPU的个体集团之间进行染色体的调换的处理。通过该处理，维持解的多样性，维持与单一集团时同等或以上的拟合性能。
在S68中提取预定个数的评价为上位的个体。在S69中，将提取出的个体数据向预先确定的CPU传送。传送目标的CPU可以预先固定，也可以预先作成并发布确定哪一次向哪个CPU传送的表或运算式。作为一例，例如可以为CPU1向CPU2、CPU2向CPU3、…CPUn-1向CPU1这样以环状传送。在S70中，接收来自其它的CPU的迁移数据。在S71中向个体的母集团加入迁移数据，返回S60。
判断为结束的情况下，在S72中向管理CPU传送并报告作为处理结果的、评价值为上位的预定个数的个体的信息，结束GAn处理。
通过如上的构成以及处理，可在短时间内进行高精度的参数调节。因此，通过在物理模型中采用相应的参数，可以不试做即能够进行高精度的电路仿真，因此提高半导体元件的制造效率。
以上说明了实施例1，但作为本发明的参数调节装置，还可考虑如下的变形例。在实施例中，公开了局部法处理用的个体周期地发送上位的个体的例子，但在各GA用CPU中出现了满足预定精度的个体的情况下，也可以随时将其个体信息发送给局部法用CPU。
在实施例中公开了将各个CPU分配给GA处理或局部法处理中的任意一方的例子，但例如只有一台处理能力高的CPU的情况下，也可以向处理能力最高的CPU分配GA处理以及局部法处理双方，向其它的CPU仅分配GA处理。
在实施例中公开了对于GA处理的中间结果的上位的个体、利用局部法进行搜索的例子，但在参数空间内、评价值的峰值有多个的情况下等，在可将GA处理的中间结果的上位的个体分类为在参数空间中约束在预定范围内的多个组的情况下，也可以对于各个组的代表个体、通过局部法进行搜索。
工业上的可利用性
本发明的参数调节装置能够应用于采用多个处理单元、使用遗传算法对参数进行优化的任意的参数调节装置。

Claims (5)

1.一种参数调节装置，使用多个处理单元、利用遗传算法对参数进行优化，其特征在于，
具有处理分配单元，其将所述多个处理单元内的一部分分配给基于局部搜索法的搜索处理。
2.根据权利要求1所述的参数调节装置，其特征在于，
所述处理分配单元将所述多个处理单元内的处理能力最小的处理单元分配给基于局部搜索法的搜索处理。
3.根据权利要求1所述的参数调节装置，其特征在于，
还具有搜索处理控制单元，其从所述多个处理单元内的被分配给基于遗传算法的处理的处理单元中收集搜索的中间结果，利用于基于局部搜索法的搜索处理。
4.根据权利要求1所述的参数调节装置，其特征在于，
还具有个体数确定单元，其根据各个处理单元的处理能力，确定在所述多个处理单元内的被分配给基于遗传算法的处理的处理单元中的、进行遗传算法处理的个体数。
5.根据权利要求1所述的参数调节装置，其特征在于，
所述多个处理单元分别具有判断是否满足搜索处理结束条件的判断单元，在任意的处理单元中判断为结束的情况下，结束整个装置的处理。
CNA2004800391461A 2003-12-26 2004-12-22 参数调节装置 Pending CN1902646A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP433656/2003 2003-12-26
JP2003433656A JP4458412B2 (ja) 2003-12-26 2003-12-26 パラメータ調整装置

Publications (1)

Publication Number Publication Date
CN1902646A true CN1902646A (zh) 2007-01-24

Family

ID=34736523

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA2004800391461A Pending CN1902646A (zh) 2003-12-26 2004-12-22 参数调节装置

Country Status (6)

Country Link
US (2) US7636706B2 (zh)
EP (1) EP1701299A4 (zh)
JP (1) JP4458412B2 (zh)
KR (1) KR20070005925A (zh)
CN (1) CN1902646A (zh)
WO (1) WO2005064534A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102422279A (zh) * 2009-04-28 2012-04-18 遗传融资(巴巴多斯)有限公司 用于资产管理和交易的基于类的分布式进化算法
US10430429B2 (en) 2015-09-01 2019-10-01 Cognizant Technology Solutions U.S. Corporation Data mining management server

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5055556B2 (ja) * 2005-12-05 2012-10-24 国立大学法人名古屋大学 ハイブリッドｇａによる複数パラメータの最適化方法、パターンマッチングによるデータ解析方法、放射線回折データに基づく物質構造の推定方法、ならびに関連するプログラム、記録媒体および各種装置
WO2009062090A1 (en) * 2007-11-08 2009-05-14 Genetic Finance Holdings Limited Distributed network for performing complex algorithms
BRPI1011964A2 (pt) * 2009-04-28 2016-04-26 Genetic Finance Barbados Ltd sistema de computador em rede, e, método para resolver um problema computacional usando uma pluradidade de computadores clientes.
JP5733389B2 (ja) * 2011-04-22 2015-06-10 富士通株式会社 情報処理装置及び情報処理装置の処理方法
US20140067601A1 (en) * 2012-09-06 2014-03-06 Sap Ag Supply chain finance planning
US9594594B2 (en) * 2012-10-18 2017-03-14 Advanced Micro Devices, Inc. Media hardware resource allocation
CN104021425B (zh) * 2014-05-19 2017-04-19 中国人民解放军国防科学技术大学 一种用于解决提早‑延期调度问题的模因演化算法
US11250327B2 (en) 2016-10-26 2022-02-15 Cognizant Technology Solutions U.S. Corporation Evolution of deep neural network structures
US11507844B2 (en) 2017-03-07 2022-11-22 Cognizant Technology Solutions U.S. Corporation Asynchronous evaluation strategy for evolution of deep neural networks
US11250314B2 (en) 2017-10-27 2022-02-15 Cognizant Technology Solutions U.S. Corporation Beyond shared hierarchies: deep multitask learning through soft layer ordering
EP3724819A4 (en) 2017-12-13 2022-06-22 Cognizant Technology Solutions U.S. Corporation SCALABLE ARCHITECTURES FOR THE EVOLUTION OF DEEP NEURAL NETWORKS
WO2019118299A1 (en) 2017-12-13 2019-06-20 Sentient Technologies (Barbados) Limited Evolving recurrent networks using genetic programming
US11527308B2 (en) 2018-02-06 2022-12-13 Cognizant Technology Solutions U.S. Corporation Enhanced optimization with composite objectives and novelty-diversity selection
US11481639B2 (en) 2019-02-26 2022-10-25 Cognizant Technology Solutions U.S. Corporation Enhanced optimization with composite objectives and novelty pulsation
US11669716B2 (en) 2019-03-13 2023-06-06 Cognizant Technology Solutions U.S. Corp. System and method for implementing modular universal reparameterization for deep multi-task learning across diverse domains
CA3131688A1 (en) 2019-03-27 2020-10-01 Olivier Francon Process and system including an optimization engine with evolutionary surrogate-assisted prescriptions
US11775841B2 (en) 2020-06-15 2023-10-03 Cognizant Technology Solutions U.S. Corporation Process and system including explainable prescriptions through surrogate-assisted evolution

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08272760A (ja) 1995-03-29 1996-10-18 Hitachi Ltd 非線形最適化並列処理方法
JPH09282288A (ja) 1996-04-09 1997-10-31 Fujitsu Ltd 複数計算機運用システム
JPH10134019A (ja) * 1996-09-06 1998-05-22 Fujitsu Ltd 局所解を利用した並列遺伝的アルゴリズムの大域的探索装置及び探索装置及び局所解を利用した並列遺伝的アルゴリズムの大域的探索プログラムを格納した記憶媒体
JPH1097437A (ja) * 1996-09-20 1998-04-14 Nippon Steel Corp 並列分散処理システム
US5942097A (en) * 1997-12-05 1999-08-24 The Ohio State University Method and apparatus featuring a non-consumable anode for the electrowinning of aluminum
JP3665460B2 (ja) * 1997-12-05 2005-06-29 富士通株式会社 分散自律協調型の応答時間チューニングによる経路選択システム、方法、及び記録媒体
US5924097A (en) * 1997-12-23 1999-07-13 Unisys Corporation Balanced input/output task management for use in multiprocessor transaction processing system
JP2000163393A (ja) * 1998-11-27 2000-06-16 Matsushita Electric Ind Co Ltd 組合せ最適化装置
JP3404532B2 (ja) * 2001-07-27 2003-05-12 独立行政法人産業技術総合研究所 最適フィッティングパラメータ決定方法および装置、並びに最適フィッティングパラメータ決定プログラム
JP2003288579A (ja) * 2001-07-27 2003-10-10 National Institute Of Advanced Industrial & Technology 最適フィッティングパラメータ決定方法および装置、並びに最適フィッティングパラメータ決定プログラム
US7236971B1 (en) * 2002-12-20 2007-06-26 Ncr Corporation Method and system for deriving data through interpolation in a database system

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102422279A (zh) * 2009-04-28 2012-04-18 遗传融资(巴巴多斯)有限公司 用于资产管理和交易的基于类的分布式进化算法
CN102422279B (zh) * 2009-04-28 2016-09-21 思腾科技（巴巴多斯）有限公司 用于资产管理和交易的基于类的分布式进化算法
US10430429B2 (en) 2015-09-01 2019-10-01 Cognizant Technology Solutions U.S. Corporation Data mining management server
US11151147B1 (en) 2015-09-01 2021-10-19 Cognizant Technology Solutions U.S. Corporation Data mining management server

Also Published As

Publication number Publication date
JP2005190372A (ja) 2005-07-14
US20080281986A1 (en) 2008-11-13
US20070150435A1 (en) 2007-06-28
JP4458412B2 (ja) 2010-04-28
US7636706B2 (en) 2009-12-22
KR20070005925A (ko) 2007-01-10
EP1701299A4 (en) 2009-04-22
WO2005064534A1 (ja) 2005-07-14
EP1701299A1 (en) 2006-09-13

Similar Documents

Publication Publication Date Title
CN1902646A (zh) 参数调节装置
Zomaya et al. Observations on using genetic algorithms for dynamic load-balancing
Tang et al. The impact of data replication on job scheduling performance in the data grid
JP4502815B2 (ja) トラフィック・パターン認識に基づくＷｅｂサイト・トラフィックのコロケーションおよびオフロードのための装置および方法
Sundar et al. Hyksort: a new variant of hypercube quicksort on distributed memory architectures
CN111930511A (zh) 一种基于机器学习的标识解析节点负载均衡装置
WO2010024027A1 (ja) 仮想サーバシステム及び物理サーバ選択方法
CN107193652A (zh) 容器云环境中流数据处理系统的弹性资源调度方法及系统
JP5938968B2 (ja) 情報処理装置、情報処理プログラム及び情報処理方法
Gavagsaz et al. Load balancing in reducers for skewed data in MapReduce systems by using scalable simple random sampling
KR102129389B1 (ko) 클라우드 컴퓨팅 환경에서의 다목적 가상머신 배치 방법 및 장치
EP1533699A1 (en) A method of assigning objects to processing units
CN112463532B (zh) 构建snn工作负载自动映射器的方法及自动映射器
Khanna et al. A dynamic scheduling approach for coordinated wide-area data transfers using gridftp
CN116909751B (zh) 一种云计算系统中的资源分配方法
EP1524599B1 (en) A method of reassigning objects to processing units
CN105120008B (zh) 一种基于分层的分布式云计算中心负载平衡方法
Trelles et al. Computational space reduction and parallelization of a new clustering approach for large groups of sequences.
Zhiyong et al. An improved container cloud resource scheduling strategy
CN113791961B (zh) 基于微服务的数据采集方法、装置、设备及存储介质
CN1714535A (zh) 用于设计数据网络的方法和设备
CN104102794A (zh) 一种hadoop调度法的优化方法
JP4127056B2 (ja) 並列多目標追尾装置
CN113037791B (zh) 运维方法和系统、计算机可读存储介质
Lee et al. A dynamic load balancing approach using genetic algorithm in distributed systems

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C12 Rejection of a patent application after its publication
RJ01 Rejection of invention patent application after publication