On parallel computing for stochastic optimization models and algorithms

167 p.

Detalles Bibliográficos
Autor: Aldasoro Marcellan, Unai
Tipo de recurso: tesis doctoral
Fecha de publicación:2015
País:España
Institución:Universidad del País Vasco
Repositorio:Addi. Archivo Digital para la Docencia y la Investigación
OAI Identifier:oai:addi.ehu.eus:10810/14315
Acceso en línea:http://hdl.handle.net/10810/14315
Access Level:acceso abierto
Palabra clave:applied mathematics
operations research
stochastic optimization
parallel computing
decomposition algorithm
id ES_b07e3008c8202b8257e4d755fd1e46bb
oai_identifier_str oai:addi.ehu.eus:10810/14315
network_acronym_str ES
network_name_str España
repository_id_str
spelling On parallel computing for stochastic optimization models and algorithmsAldasoro Marcellan, Unaiapplied mathematicsoperations researchstochastic optimizationparallel computingdecomposition algorithm167 p.Esta tesis tiene como objetivo principal la resolución de problemas de optimización bajo incertidumbre a gran escala, mediante la interconexión entre las disciplinas de Optimización estocástica y Computación en paralelo. Se describen algoritmos de descomposición desde la perspectivas de programación matemática y del aprovechamiento de recursos computacionales con el fin de resolver problemas de manera más rápida, de mayores dimensiones o/y obtener mejores resultados que sus técnicas homónimas en serie. Se han desarrollado dos estrategias de paralelización, denotadas como inner y outer. La primera de las cuales, realiza tareas en paralelo dentro de un esquema algorítmico en serie, mientras que la segunda ejecuta de manera simultánea y coordinada varios algoritmos secuenciales. La mayor descomposición del problema original, compartiendo el área de factibilidad, creando fases de sincronización y comunicación entre ejecuciones paralelas o definiendo condiciones iniciales divergentes, han sido claves en la eficacia de los diseños de los algoritmos propuestos. Como resultado, se presentan tanto algoritmos exactos como matheurísticos, que combinan metodologías metaheurísticas y técnicas de programación matemática. Se analiza la escalabilidad de cada algoritmo propuesto, y se consideran varios bancos de problemas de diferentes dimensiones, hasta un máximo de 58 millones de restricciones y 54 millones de variables (de las cuales 15 millones son binarias). La experiencia computacional ha sido principalmente realizada en el cluster ARINA de SGI/IZO-SGIker de la UPV/EHU.Servicio Editorial de la Universidad del País Vasco/Euskal Herriko Unibertsitatearen Argitalpen ZerbitzuaPérez Sainz de Rozas, GloriaMerino Maestre, MaríaMatemática Aplicada, Estadística e Investigación Operativa;;Matematika Aplikatua, Estatistika eta Ikerkuntza Operatiboa2015201520152015info:eu-repo/semantics/doctoralThesisapplication/pdfhttp://hdl.handle.net/10810/14315reponame:Addi. Archivo Digital para la Docencia y la Investigacióninstname:Universidad del País VascoInglésinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internationaloai:addi.ehu.eus:10810/143152026-06-18T09:23:17Z
dc.title.none.fl_str_mv On parallel computing for stochastic optimization models and algorithms
title On parallel computing for stochastic optimization models and algorithms
spellingShingle On parallel computing for stochastic optimization models and algorithms
Aldasoro Marcellan, Unai
applied mathematics
operations research
stochastic optimization
parallel computing
decomposition algorithm
title_short On parallel computing for stochastic optimization models and algorithms
title_full On parallel computing for stochastic optimization models and algorithms
title_fullStr On parallel computing for stochastic optimization models and algorithms
title_full_unstemmed On parallel computing for stochastic optimization models and algorithms
title_sort On parallel computing for stochastic optimization models and algorithms
dc.creator.none.fl_str_mv Aldasoro Marcellan, Unai
author Aldasoro Marcellan, Unai
author_facet Aldasoro Marcellan, Unai
author_role author
dc.contributor.none.fl_str_mv Pérez Sainz de Rozas, Gloria
Merino Maestre, María
Matemática Aplicada, Estadística e Investigación Operativa;;Matematika Aplikatua, Estatistika eta Ikerkuntza Operatiboa
dc.subject.none.fl_str_mv applied mathematics
operations research
stochastic optimization
parallel computing
decomposition algorithm
topic applied mathematics
operations research
stochastic optimization
parallel computing
decomposition algorithm
description 167 p.
publishDate 2015
dc.date.none.fl_str_mv 2015
2015
2015
2015
dc.type.none.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
dc.identifier.none.fl_str_mv http://hdl.handle.net/10810/14315
url http://hdl.handle.net/10810/14315
dc.language.none.fl_str_mv Inglés
language_invalid_str_mv Inglés
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 International
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 International
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Servicio Editorial de la Universidad del País Vasco/Euskal Herriko Unibertsitatearen Argitalpen Zerbitzua
publisher.none.fl_str_mv Servicio Editorial de la Universidad del País Vasco/Euskal Herriko Unibertsitatearen Argitalpen Zerbitzua
dc.source.none.fl_str_mv reponame:Addi. Archivo Digital para la Docencia y la Investigación
instname:Universidad del País Vasco
instname_str Universidad del País Vasco
reponame_str Addi. Archivo Digital para la Docencia y la Investigación
collection Addi. Archivo Digital para la Docencia y la Investigación
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869416812409520128
score 15,300719

Similares en LA Referencia