Actas del X Congreso Españolusuario.cicese.mx/~chernykh/papers/MAEB2015.pdf · Actas del X Congreso Español sobre Metaheurísticas, Algoritmos Evolutivos y Bioinspirados MAEB 2015

Actas del X Congreso Españolsobre Metaheurísticas,

Algoritmos Evolutivos y Bioinspirados

MAEB 2015

Editadas por:

Francisco Chávez de la ORafael M. Luque Baena

Francisco LunaFrancisco Fernández de Vega

Mérida - Almendralejo4, 5 y 6 de febrero de 2015

Edita: Francisco Chávez de la O, Rafael M. Luque-Baena, Francisco Luna, Francisco Fernández de VegaCentro Universitario de MéridaUniversidad de Extremadura

Derechos reservados

c© Los autores

Diseño de cubierta: Cayetano Cruz García

ISBN: 978-84-697-2150-6

iv

Comité Organizador

Cayetano Cruz GarcíaUniversidad de Extremadura

Josefa Díaz ÁlvarezUniversidad de Extremadura

Francisco Chávez de la OUniversidad de Extremadura

Francisco Fernández de VegaUniversidad de Extremadura

Francisco LunaUniversidad de Extremadura

Rafael M. Luque-BaenaUniversidad de Extremadura

v

Comité Director

Enrique AlbaUniversidad de Málaga

Abraham DuarteUniversidad Rey Juan Carlos

Francisco Fernández de VegaUniversidad de Extremadura

José Antonio GámezUniversidad de Castilla-La Mancha

Francisco HerreraUniversidad de Granada

J. Ignacio HidalgoUniversidad Complutense de Madrid

César HervásUniversidad de Cordoba

Rafael MartíUniversidad de Valencia

Juan Julián MereloUniversidad de Granada

José A. MorenoUniversidad de La Laguna

Luciano SánchezUniversidad de Oviedo

vii

Comité de Programa

Jesús Aguilar, Universidad Pablo de OlavideEnrique Alba, Universidad de MálagaCarlos Andrés Romano, U. Politécnica de ValenciaAda Álvarez, Universidad Autónoma de Nuevo LeónRamón Álvarez-Valdés, Universidad de ValenciaLourdes Araujo, Universidad Nacional a DistanciaJaume Bacardit, University of NottinghamJulio R. Banga, CSICJoaquín Bautista, Universidad Politécnica de CataluñaJosé Manuel Benítez, Universidad de GranadaChristian Blum, Universidad Politécnica de CataluñaRafael Caballero, Universidad de MálagaVicente Campos, Universitat de ValènciaJorge Casillas, Universidad de GranadaPedro A. Castillo Valdivieso, Universidad de GranadaFrancisco Chicano, Universidad de MálagaFrancisco Chávez, Universidad de ExtremaduraCarlos A. Coello Coello, CINVESTAV - IPNÁngel Corberán, Universidad de ValenciaOscar Cordón, Universidad de GranadaCarlos Cotta, Universidad de MálagaAntonio Córdoba, Universidad de SevillaBernabé Dorronsoro, Universidad de LuxemburgoAbraham Duarte, Universidad Rey Juan CarlosRichard Duro, Universidad da CoruñaAdenso Díaz, Universidad de OviedoJosé Egea, Universidad Politécnica de CartagenaFrancisco Javier Elorza, U. Politécnica de MadridAntonio J. Fernández, Universidad de MálagaFrancisco Fernández, Universidad de ExtremaduraMiguel Frade, Instituto Politécnico de LeiriaMario Garcia, Instituto Politécnico de TijuanaMaribel García Arenas, Universidad de GranadaEduardo García Pardo, Universidad Rey Juan CarlosCarlos García, Universidad de CórdobaNicolás García, Universidad de CórdobaSalvador García, Universidad de JaénRaúl Giraldez, Universidad Pablo de OlavideJosé Luís González-Velarde, Inst. Tec. de MonterreyAntonio González, Universidad de GranadaPedro González, Universidad de JaénJosé Antonio Gutiérrez, Universidad de CórdobaJosé Antonio Gámez, U. de Castilla-La ManchaJuan A. Gómez Pulido, Universidad de ExtremaduraFrancisco Herrera, Universidad de GranadaCesar Hervás, Universidad de CórdobaJosé Ignacio Hidalgo, U. Complutense de MadridMaría José del Jesús, Universidad de JaénAngel A. Juan, Universitat Oberta de CatalunyaManuel Laguna, Universidad de ColoradoDario Landa Silva, University of NottinghamHelena Ramalhinho Lourenco, U. Pompeu Fabra

José Antonio Lozano, Universidad del País VascoManuel Lozano, Universidad de GranadaFrancisco Luna, Universidad de MálagaGabriel J. Luque, Universidad de MálagaRafael M. Luque-Baena, Universidad de ExtremaduraLuís Magdalena, European Centre for Soft ComputingRafael Martí, Universitat de ValènciaFrancisco Martínez, Universidad de CórdobaBelén Melián, Universidad de La LagunaAlexander Mendiburu, Univ. del País VascoJulián Molina, Universidad de MálagaJ. Marcos Moreno, Universidad de La LagunaJosé A. Moreno, Universidad de La LagunaAntonio J. Nebro, Universidad de MálagaJulio Ortega, Universidad de GranadaDomingo Ortiz, Universidad de CórdobaLuis de la Ossa, Universidad de Castilla-La ManchaJosé Otero, Universidad de OviedoJoaquín Pacheco, Universidad de BurgosJuan J. Pantrigo, Universidad Rey Juan CarlosFrancisco Parreño, Universidad de Castilla-La ManchaDavid Pelta, Universidad de GranadaAntonio Peregrín, Universidad de HuelvaJosé Miguel Puerta, U. de Castilla-La ManchaCynthia Pérez, Tecnológico de SinaloaM. Elena Pérez, Universidad de ValladolidJuan R. Rabuñal, Universidad da CoruñaIgnacio Requena, Universidad de GranadaJosé Riquelme, Universidad de SevillaJose Luís Risco-Martín, U. Complutense de MadridVíctor Rivas, Universidad de JaénRubén Ruiz, Universidad Politécnica de ValenciaRoger Ríos, Universidad Autónoma de Nuevo LeónSancho Salcedo, Universidad de AlcaláRoberto Santana, Universidad Politécnica de MadridAntonio Sanz Montemayor, U. Rey Juan CarlosThomas Stützle, Université Libre de BruxellesYago Sáez, Universidad Carlos III de MadridAna María Sánchez, Universidad de GranadaLuciano Sánchez, Universidad de OviedoLeonardo Trujillo, Instituto Tecnológico de TijuanaÁngel Udías, Universidad Rey Juan CarlosMiguel A. Vega Rodríguez, U. de ExtremaduraSebastián Ventura, Universidad de CórdobaJosé Luís Verdegay, Universidad de GranadaGabriel Villa, Universidad de SevillaPedro Villar, Universidad de GranadaJuan Villegas, Universidad Autónoma MetropolitanaGabriel Winter, U. de las Palmas de Gran CanariaAmelia Zafra, Universidad de Córdoba

ix

Índice General

Sesión general

Planificación de celdas de reporte con el algoritmo SPEA2Víctor Berrocal-Plaza, Miguel A. Vega-Rodríguez, Juan M. Sánchez-Pérez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

Algoritmo Genético con Diversificación Voraz y Equilibrio entre Exploración y ExplotaciónAndrés Herrera-Poyatos, Francisco Herrera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

Introducing Mixtures of Generalized Mallows in Estimation of Distribution AlgorithmsJosian Santamaría, Josu Ceberio, Alexander Mendiburu, Roberto Santana, José A. Lozano . . . . . . . . . . . . . . . . . . . . 19

Un Algoritmo Evolutivo para la Reducción de Tiempos de Viaje y Emisiones Utilizando PanelesLEDDaniel H. Stolfi, Enrique Alba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

Algoritmo memético basado en regiones con archivo externo para optimización multimodalBenjamin Lacroix, Daniel Molina, Francisco Herrera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

El problema de los cortafuegos. Resultados con métodos heurísticos y con programación linealenteraCarlos García-Martínez, Christian Blum, Francisco Javier Rodríguez, Manuel Lozano . . . . . . . . . . . . . . . . . . . . . . . . . 43

Estudio preliminar sobre visualización y clasificación de la calidad de la emisión de sonido en elClarineteFrancisco Fernández de Vega, Francisco Chávez de La O, Carlos M. Fernandes, Antonio Mora, J.J. Merelo . . . . 51

Generación de Secuencias de Pruebas Funcionales con Algoritmos Bio-inspiradosJavier Ferrer, Peter M. Kruse, Francisco Chicano, Enrique Alba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

Ajuste Probabilístico de Modelos de Glucosa obtenidos mediante Gramáticas EvolutivasJ. Ignacio Hidalgo, Rafael Villanueva, José Manuel Colmenar, José L. Risco-Martín, Esther Maqueda, JuanCarlos Cortés, Almudena Sánchez, Marta Botella, José Antonio Rubio, Juan Lanchares, Óscar Garnica, AlfredoCuesta, Francisco Santonja, Iván Contreras, José Manuel Velasco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

Una Metaheurística Multiarranque para el Problema de la Partición Entera Común MínimaManuel Lozano, Francisco Javier Rodríguez, Carlos García-Martínez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

Beam Search para la búsqueda de caminos en redes complejas con entidades semánticasFrancisco Vélez, Enrique Herrera-Viedma, Óscar Cordón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

Registrado evolutivo de fragmentos craneales en 3D mediante Scatter SearchEnrique Bermejo, Alejandro León, Sergio Damas, Óscar Cordón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

A Comparison of Estimation of Distribution Algorithms for the Linear Ordering ProblemJosu Ceberio, Alexander Mendiburu, José A. Lozano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97

xiii

Algoritmo de aprendizaje de redes bayesianas basado en algoritmos de colonias de hormigas ymodelos sustitutos con estructura de árbolJuan Ignacio Alonso-Barba, Luis de La Ossa, José A. Gámez, José Miguel Puerta . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

Generación de reglas difusas tipo TSK-1 basada en el principio apriori derivando el sistema dereglas mediante búsqueda localJavier Cózar, Luis de la Ossa, José A. Gámez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

Modelo de Reglas de Asociación para el Diagnóstico de Prestaciones en el Servicio Público deEmpleo EstatalJosé Antonio Sánchez, José M. Luna, Sebastián Ventura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

Algoritmos Heurísticos al Problema de Máxima Diversidad de Mínima SumaAnna Martínez Gavara, Vicente Campos, Manuel Laguna, Rafael Martí . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

Un procedimiento basado en GRASP para un problema de asignación de equipos médicos dediagnóstico en una red de hospitales públicosRodolfo Mendoza Gómez, Roger Z. Ríos Mercado, Karla B. Valenzuela Ocaña . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135

Un método multi-arranque aleatorizado para un problema de diseño de una red de caminos yubicación de maquinaria y patios forestales con consideraciones ambientalesAna L. González-Estrada, Roger Z. Ríos Mercado, Óscar A. Aguirre-Calderón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143

Análisis del espacio de funciones aditivamente descomponibles para dimensiones pequeñasJosé A. Lozano, Iván Sánchez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151

Un enfoque multiobjetivo para la planificación multinivel de lotes de trabajos en sistemas distri-buidosSantiago Iturriaga, Bernabé Dorronsoro, Andrei Tchernykh, Sergio Nesmachnow, Pascal Bouvry . . . . . . . . . . . . . . 157

Optimizando el gasto de energía en redes de sensores con la utilización del conformado de hazJuan Carlos González-Macías, Francisco Luna, Rafael M. Luque-Baena, Juan F. Valenzuela-Valdés, Pablo Padilla

165

Estudio preliminar del rendimiento de familias de algoritmos multiobjetivo en diseño arquitectónicoAurora Ramírez, José-Raúl Romero, Sebastián Ventura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173

Predicción a muy corto plazo de series temporales de volumen de tráfico rodado mediante co-evolución de RBFNsVíctor Rivas, Elisabet Parras-Gutiérrez, Antonio Fernández Ares, Pedro A. Castillo, Pedro García-Fernández,Maribel García Arenas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181

Implementación de algoritmos meméticos con capacidad de auto-generación sobre CouchBDManuel García García, Mariela Nogueira, Carlos Cotta Porras, Antonio J. Fernández-Leiva, J.J. Merelo . . . . . . 189

SIPESCA-B: presentando un benchmark de series temporales de datos reales para la prediccióndel tráficoPedro A. Castillo, Antonio Fernández Ares, Maribel García Arenas, Antonio Mora, Pablo García Sánchez, VíctorRivas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197

Interpolación espacial para la predicción de la radiación solar mediante gradient tree boostingRicardo Aler, José M. Valls, Inés M. Galván . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205

Un algoritmo de colonias de abejas artificiales para el problema de agrupación de máxima diver-sidadFrancisco Javier Rodríguez Díaz, Manuel Lozano, Carlos García-Martínez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211

Algoritmo evolutivo para optimizar ensembles de clasificadores multi-etiquetaJosé M. Moyano, Eva Gibaja, Alberto Cano, José M. Luna, Sebastián Ventura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219

xiv

Optimización de la deconvolución de perfiles de difracción mediante algoritmos evolutivosSidolina Pereira Dos Santos, Juan Antonio Gómez Pulido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227

Optimización Multi-objetivo del Consumo de Energía y Tiempo de Ejecución en una MemoriaCache de primer nivel para Sistemas EmpotradosJosefa Díaz-Álvarez, José Manuel Colmenar, José L. Risco-Martín, Juan Lanchares . . . . . . . . . . . . . . . . . . . . . . . . . . . 233

Sesión especial: Metaheurísticas en Empresas y ProducciónOrganizadores: Joaquín Bautista, Óscar Cordón, Sergio Damas

Aplicación de metaheurísticas en la optimización de pasos superiores de carreterasJosé V. Martí, Víctor Yepes, Tatiana García-Segura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241

Algoritmos GRASP para el equilibrado de líneas con riesgo ergonómico mínimoJoaquín Bautista, Rocío Alfaro, Cristina Batalla, Sara Llovera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249

Aplicación de Técnicas de Inteligencia Computacional a un Sistema de Ciberseguridad CorporativaPaloma de Las Cuevas, Antonio Mora, J.J. Merelo, Pedro A. Castillo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257

A Refined GRASP Algorithm for the Extended Car Sequencing ProblemElvira Laković, Manuel Chica, Sergio Damas, Joaquín Bautista, Óscar Cordón . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265

Sesión especial: Metaheurísticas en logística portuaria y problemas afinesOrganizadores: Belén Melián, J. Marcos Moreno

Un Problema Real de Planificación de Rutas de Vehículos con IntermodalidadJesica de Armas, Belén Melián, Julio Brito, Eduardo Lalla Ruiz, Christopher Expósito Izquierdo . . . . . . . . . . . . . . 273

Búsqueda por Entornos Variables para el Problema de Asignación de AtraquesEduardo Lalla Ruiz, Christopher Expósito Izquierdo, Jesica de Armas, Belén Melián, J. Marcos Moreno-Vega . . 281

Modelos y algoritmos para el problema de la asignación de atraques en una terminal de contene-doresJuan Francisco Correcher, Pablo Froján, Ramón Álvarez-Valdés, Gerasimos Koulouris, José Manuel Tamarit . . 289

Un GRASP reactivo para el problema de planificación de la estibaFrancisco Parreño, Ramón Álvarez-Valdés, Dario Pacino . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297

Planificación de rutas para productos perecederos utilizando un híbrido GRAP-VNSJulio Brito, Airam Expósito, José Andrés Moreno Pérez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305

Modelado del transbordo de contenedores en una terminal marítima de contenedoresChristopher Expósito Izquierdo, Jesica de Armas, Eduardo Lalla Ruiz, Belén Melián, J. Marcos Moreno-Vega . . 313

Sesión especial: Metodologías y Herramientas Software para la Investigaciónsobre Metaheurísticas

Organizadores: Francisco Chicano, Gabriel Luque

Using the Page Trend Test to Analyze the Convergence of Evolutionary AlgorithmsJoaquín Derrac, Sheldon Hui, Ponnuthurai Nagaratnam Suganthan, Salvador García, Francisco Herrera . . . . . . . 321

xv

Teoría del valor extremo como criterio de parada en la optimización heurística de puentesVíctor Yepes, José V. Martí . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 329

Descomposición en Landscapes Elementales del Problema de Diseño de Redes de Radio con Apli-cacionesFrancisco Chicano, Franco Arito, Enrique Alba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 337

Optimización Multi-objetivo Basada en Preferencias para la Planificación de Proyectos SoftwareRubén Saborido, Francisco Chicano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 345

Describiendo experimentos de optimización con MOEDLJosé Antonio Parejo Maestre, Sergio Segura, Antonio Ruiz-Cortés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 353

Optimización de Problemas Multiobjetivo de Ingeniería Civil con jMetalAntonio J. Nebro, Gustavo R. Zavala, Juan J. Durillo, Francisco Luna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .361

Sesión especial: Metaheurísticas, Algoritmos Evolutivos y Bioinspirados en Bio-informática

Organizadores: Miguel A. Vega-Rodríguez, Sergio Santander-Jiménez, ÁlvaroRubio-Largo, David L. González-Álvarez

Análisis Comparativo de Implementaciones del Algoritmo Multiobjective Artificial Bee Colonypara Reconstrucción FilogenéticaSergio Santander-Jiménez, Miguel A. Vega-Rodríguez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 369

Docking Inter/Intra-Molecular Mediante Metaheurísticas Multi-objetivoEsteban López-Camacho, María Jesús García Godoy, José García-Nieto, Antonio J. Nebro, José F. AldanaMontes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 377

Ruteo de Micro-fluidos en Biochips Digitales: Un enfoque basado en Colonia de HormigasCarlos Mendoza, Eduardo Szaran, Diego Pedro Pinto Roa, Carlos Brizuela . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 385

Sesión especial: Búsqueda dispersa y re-encadenamiento de trayectoriasOrganizadores: Manuel Laguna, Rafael Martí

Búsqueda dispersa para un problema de localización de concentradoresRafael Martí, Ángel Corberán, Juanjo Peiró . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 393

Búsqueda dispersa aplicada al problema del paso de bandaJesús Sánchez-Oro, Abraham Duarte, Rafael Martí, Manuel Laguna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401

Sesión especial: Simheurísticas en Logística, Transporte, y ProducciónOrganizadores: Ángel A. Juan, Javier Faulin, Helena Ramalhinho Lourenço

Técnicas estadísticas aplicadas a la selección de valores para parámetros de metaheurísticasLaura Calvet, Ángel A. Juan, Carles Serrat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 409

Tamaño y Composición de Flotas de Vehículos en Problemas de Rutas con Retorno: Un MétodoHeurístico con Aleatoriedad SesgadaJavier Belloso, Ángel A. Juan, Javier Faulín . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 417

xvi

Un algoritmo basado en aleatorización sesgada para la recolección eficiente de residuos en ciudadesinteligentesAljoscha Gruler, Christian Fikar, Ángel A. Juan, Patrick Hirsch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 423

Resolviendo el problema de rutas de vehículos con criterio medioambiental mediante una búsquedatabúSergio Úbeda, Javier Faulin, Adrián Serrano, Francisco Arcelus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 429

Network design considering risk aversionLuis Cadarso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 437

Uso combinado de métodos exactos con heurística aleatorizada para la programación y enruta-miento de servicios médicos domiciliariosCarlos Quintero-Araujo, Andrés F. Torres-Ramos, Edgar H. Alfonso-Lizarazo, Lorena S. Reyes-Rubiano, ÁngelA. Juan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 441

Sesión especial: Desarrollo de videojuegos y software de entretenimientoOrganizadores: Antonio J. Fernández, Antonio Mora, Raúl Lara

Diseño de un Simulador de Bajo Coste para Vehículos Aéreos no TripuladosVíctor Rodríguez-Fernández, Héctor Menéndez, David Camacho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 447

Desarrollo de un Bot Evolutivo Interactivo para Unreal Tournament 2004José Luis Jiménez López, Antonio J. Fernández-Leiva, Antonio Mora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 455

Optimización en videojuegos: retos para la comunidad científicaRaúl Lara Cabrera, Mariela Nogueira, Carlos Cotta, Antonio J. Fernández-Leiva . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 463

Diseño de bots competitivos para un juego de estrategia en tiempo real usando programacióngenética: análisis de funciones de fitnessAntonio Fernández Ares, Pablo García Sánchez, Antonio Mora, Pedro A. Castillo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 471

Videojuegos Serios en Educación Infantil y PrimariaRafael Prieto de Lope, Daniel Díaz Salas, Jahiel Jerónimo, Nuria Medina Medina, Carlos García Cruz . . . . . . . . 479

Diseño de la experimentación para evaluar la efectividad de Behavior BricksIsmael Sagredo-Olivenza, Pedro Pablo Gómez-Martín, Marco Antonio Gómez-Martín, Pedro A. González-Calero487

RPG Quest Generation using a Search-based Approach and Partial Ordering PlanningÁlvaro Gutiérrez, José M. Peña, Luis Peña, Antón Planells . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 495

Sesión especial: Algoritmos paralelosOrganizadores: Enrique Alba, Francisco Luna

Comunicación eficiente entre vehículos aplicando un algoritmo multi-objetivo paraleloJamal Toutouh, Enrique Alba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 503

Integrando ECJ con HadoopFrancisco Chávez de La O, Daniel Lanza, Francisco Fernández de Vega, Gustavo Olague, Leonardo Trujillo . . . . 511

Planificación multiobjetivo de viajes compartidos en taxis utilizando un micro algoritmo evolutivoparaleloRenzo Massobrio, Óscar Gabriel Fagúndez de Los Reyes, Sergio Nesmachnow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519

xvii

Un SMS-EMOA paralelo para resolver un problema real de ingeniería civilFrancisco Luna, Gustavo R. Zavala, Antonio J. Nebro, Juan J. Durillo, Carlos A. Coello Coello . . . . . . . . . . . . . . .527

Sesión especial: Algoritmos multiobjetivoOrganizadores: Enrique Alba, Mariano Luque

Un Nuevo Algoritmo Evolutivo en Programación Multiobjetivo para Aproximar el Frente Óptimode ParetoMariano Luque, Ana B. Ruiz, Rubén Saborido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 535

Paginación gaussiana en áreas de registro. Análisis de rendimiento multi-objetivoVíctor Berrocal-Plaza, Miguel A. Vega-Rodríguez, Juan M. Sánchez-Pérez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 543

Cooperación paralela para selección multiobjetivo de características en problemas de dimensiónelevadaDragi Kimovski, Julio Ortega, Andrés Ortiz, Raúl Baños . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 551

Aplicación de algoritmos evolutivos multiobjetivo al diseño de circuitos integrados: criterios dedetenciónElisenda Roca, Rafael Castro-López, Francisco V. Fernández . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 559

Reconocimiento de punto láser en sistemas de interacción mediante algoritmos multiobjetivosFrancisco Chávez de La O, Eddie Clemente, Daniel Hernández, Francisco Fernández de Vega, Gustavo Olague .567

Algoritmos evolutivos para un modelo multi-objetivo de selección de carteras con restricción decardinalidadEnriqueta Vercher, José D. Bermúdez, Rubén Saborido, Ana B. Ruiz, Mariano Luque . . . . . . . . . . . . . . . . . . . . . . . . . 575

Sesión especial: Metaheurísticas y soft computing en contextos complejosOrganizadores: José Luis Verdegay, David A. Pelta

Criterios de inversión y evaluación de la responsabilidad social mediante Soft ComputingClara Calvo, Carlos Ivorra, Vicente Liern, Blanca Pérez-Gladish . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 581

RankFSP: Procedimiento de Búsqueda del Pescador aplicado al Aprendizaje de la Ordenación enRecuperación de InformaciónÓscar Alejo, Juan M. Fernández-Luna, Juan F. Huete . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 589

Una herramienta para la experimentación y análisis estadístico en ambientes dinámicosPavel Novoa-Hernández, Carlos Cruz Corona, David Pelta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 597

Comparación de algoritmos metaheurísticos en la resolución del problema de planificación de rutasde camiones y remolques con restricciones difusasIsis Torres Pérez, Alejandro Rosete Suárez, Carlos Cruz Corona, José Luis Verdegay . . . . . . . . . . . . . . . . . . . . . . . . . . 605

Comparativa de algoritmos de inserción para un DVRPTWAlondra De Santiago, Belén Melián, Ada Álvarez, Francisco Ángel-Bello . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .613

Optimización de Sistemas Basados en Reglas Difusas para la predicción de congestión a corto plazoPedro López, Enrique Onieva, Asier Perallos, Laura Arjona, Eneko Osaba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 621

xviii

Sesión especial: Búsqueda de Vecindad VariableOrganizadores: Abraham Duarte, Eduardo G. Pardo

BVNS para el problema del bosque generador k-etiquetadoSergio Consoli, Nenad Mladenovic, José Andrés Moreno Pérez . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 629

Búsqueda de Vecindad Variable Básica para la minimización del tiempo máximo en el Problemadel Empaquetamiento de PedidosBorja Menéndez Moreno, Eduardo García Pardo, Abraham Duarte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 637

Mejorando la eficiencia de sistemas embebidos utilizando estrategias paralelas de búsqueda devecindad variableJesús Sánchez-Oro, Abraham Duarte, Rafael Martí . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 645

Variantes de VNS para el Problema de Dispersión Max-MeanFrancisco Gortázar, Rubén Carrasco, An Thanh Pham, Micael Gallego, Abraham Duarte . . . . . . . . . . . . . . . . . . . . . . 653

Búsqueda de vecindad variable para problemas de programación entera no lineaJosé A. Egea, Julio Sáez-Rodríguez, Julio R. Banga . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 659

Sesión especial: Algoritmos evolutivos y creatividadOrganizadores: Francisco Fernández de Vega

Diseñando Problemas Sintéticos de Clasificación con Superficie de Aptitud DeceptivaEnrique Naredo, Leonardo Trujillo, Francisco Fernández de Vega, Sara Silva, Pierrick Legrand . . . . . . . . . . . . . . . . 667

Incluyendo el elitismo en el modelo creativo mediante algoritmos evolutivos desconectadosLilian Navarro Moreno, Francisco Fernández de Vega, Cayetano Cruz García . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 675

Sesión especial: Análisis y reconocimiento de patrones basado en modelos yalgoritmos bio-inspirados

Organizadores: Leonardo Trujillo, Gustavo Olague

Algoritmo Masivamente Paralelo Inspirado en el Modelo de la Corteza Visual Artificial para elReconocimiento de ObjetosBenjamín Hernández, Gustavo Olague, Daniel Hernández, Eddie Clemente, Andersen Herrera . . . . . . . . . . . . . . . . . 683

Detección de objetos en imágenes naturales utilizando el paradigma de la programación cerebralcon un enfoque multiobjetivoEddie Clemente, Gustavo Olague, Daniel Hernández, José Luis Briseño, José Mercado . . . . . . . . . . . . . . . . . . . . . . . . 691

Algoritmo híbrido de enjambre de luciérnagas y aceptación por umbrales para diseño de vigasTatiana García-Segura, Víctor Yepes, José V. Martí, Julián Alcalá . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 699

Modelo Computacional para la Detección de Zonas Reactivas en Concreto Tratado con Acetatode UraniloCecilia Olague, Gustavo Olague, José Antonio Pérez, Eddie Clemente, Gilberto Wenglas . . . . . . . . . . . . . . . . . . . . . . . 707

Programación Cerebral para el Seguimiento de Objetos Basado en la Atención VisualDaniel Hernández, Gustavo Olague, Eddie Clemente, José Luis Briseño, Paul Llamas . . . . . . . . . . . . . . . . . . . . . . . . . 715

xix

Sesión especial: Procesamiento de imágenes y vídeoOrganizadores: Enrique Domínguez, Esteban Palomo, Rafael M. Luque-Baena

Selección del espacio de color para video-segmentacion mediante redes neuronales autorganizadasRafael M. Luque-Baena, Esteban J. Palomo, Ezequiel López-Rubio, Enrique Dominguez, Francisco Javier López-Rubio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 723

Reconocimiento de rostros a partir de la propia imagen usando técnica CBIRCesar Benavides-Alvarez, Juan Villegas-Cortez, Graciela Román-Alonso, Carlos Aviles Cruz . . . . . . . . . . . . . . . . . . 733

Sesión especial: Computación evolutiva y bioinspirada aplicada a problemas deagrupación y clustering

Organizadores: David Camacho, Sancho Salcedo, Antonio Portilla

Algoritmo K-means adaptativo para clustering basado en grafosGema Bello Orgaz, Héctor Menéndez, David Camacho . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 741

Análisis de Tendencias Espacio-Temporales de Temperatura en Europa mediante ClusterizaciónAcoplada a DatosMihaela Chidean, Jesús Muñoz-Bulnes, Eduardo Del Arco, Julio Ramiro-Bargueno, Antonio Caamaño-Fernández,Sancho Salcedo-Sanz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 749

Índice de autores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 757

xx

Un enfoque multiobjetivo para laplanificacion multinivel de lotes detrabajos en sistemas distribuidos

Santiago Iturriaga, Bernabe Dorronsoro, Andrei Tchernykh,Sergio Nesmachnow y Pascal Bouvry

Resumen— Este trabajo presenta y compara dos es-trategias multiobjetivo multinivel para la planifica-cion de lotes de trabajos con dependencias de ejecu-cion en sistemas de computo distribuidos consideran-do arquitecturas multinucleo. El objetivo de estas es-trategias es optimizar la utilizacion de la infraestruc-tura de computo, su consumo energetico, y la calidadde servicio brindada al usuario. Se utiliza un metodode dos niveles con un planificador de alto nivel queplanifica la ejecucion de los trabajos a nivel de centrosde datos, y un planificador bajo nivel que planifica laejecucion de los trabajos dentro de cada centro dedatos. Se proponen dos algoritmos evolutivos multi-objetivo basados en Multi-objective Cellular GeneticAlgorithm (MOCell) y Non-dominated Sorting Ge-netic Algorithm (NSGA-II) para la planificacion dealto nivel y se comparan los resultados obtenidospor MaxMin-Earliest Finish Time Hole (MaxMin-EFTH), la mejor heurıstica propuesta en [1]. La eva-luacion experimental muestra que NSGA-II computalos mejores resultados, mejorando significativamentelos resultados computados por MaxMin-EFTH.

Palabras clave— eficiencia energetica, planificacion,sistemas distribuidos

I. Introduccion

Hoy en dıa, las instalaciones de centros de da-tos albergan una gran cantidad de recursos compu-tacionales. Por lo general, incluyen clusters de al-to rendimiento, sistemas de almacenamiento degran tamano, y/o componentes de sistemas grid ocloud. Estan compuestos por recursos computacio-nales muy potentes (racks de ordenadores, discosde almacenamiento, routers, etc.) que resultan muydemandantes energeticamente. Por lo que el consu-mo energetico se ha convertido en una preocupacionmuy importante [2].

Existen diferentes tecnicas para reducir el consu-mo energetico en centros de datos que varıan segunel tipo de infraestructura considerada [3], [4], [5], [6],desde soluciones de hardware hasta metodos de altonivel basados en software. Todas estas tecnicas debajo consumo energetico generan un conflicto con eldesempeno del sistema, que se puede cuantificar enterminos de metricas de planificacion tradicionalescomo el makespan (i.e., el momento en que finaliza

Santiago Iturriaga y Sergio Nesmachnow, Uni-versidad de la Republica, Uruguay. E-mail:{siturria,sergion}@fing.edu.uy. Bernabe Dorronsoro yPascal Bouvry, Universidad de Luxemburgo, Luxemburgo.E-mail: {bernabe.dorronsoro,pascal.bouvry}@uni.lu. AndreiTchernykh, CICESE Research Center, Mexico. E-mail:[email protected]

la ultima tarea programada) u otras metricas refe-rentes a la calidad de servicio (QoS).

En este trabajo nos centramos en resolver el pro-blema de encontrar la asignacion adecuada de un lotede trabajos a un conjunto de recursos informaticos,con el fin de simultaneamente reducir el consumoenergetico del sistema, optimizar la utilizacion de lainfraestructura y maximizar la calidad de serviciobrindada a los usuarios. La plataforma objetivo uti-lizada en este trabajo es un sistema distribuido com-puesto por un conjunto de clusters de computadoresque podrıan estar geograficamente distribuidos. Es-ta es la arquitectura de los sistemas modernos decomputacion distribuida y de alto desempeno, queincluye a supercomputadoras, centros de computo dealto desempeno, y centros de datos, entre otros. Endichos sistemas el consumo energetico de las unida-des centrales de procesamiento (CPU) es una preo-cupacion importante, y su reduccion permite reducirtambien el consumo energetico del sistema de refri-geracion asociado [7].

La estrategia propuesta en este trabajo consiste enutilizar un enfoque jerarquico de dos niveles para laplanificacion de lotes estaticos compuestos por tra-bajos [11]. Cada trabajo compuesto por tareas condependencias caracterizadas como grafos dirigıdosacıclicos (DAG), en una infraestructura que reunea centros de datos heterogeneos y distribuidos, com-puestos por procesadores multinucleo [8]. El plani-ficador de nivel superior decide la asignacion entretrabajos y centros de datos, mientras que el plani-ficador de bajo nivel es aplicado para planificar lastareas de cada trabajo dentro de cada centro de da-tos [9], [10], [11].

Dorronsoro et al. [1] proponen y evaluan un con-junto de heurısticas de tipo de lista de bajo costocomputacional para la resolucion de este problema.Estas heurısticas resuelven el problema de asigna-cion de trabajos a recursos haciendo uso de tecnicasde backfilling sin considerar el orden de ejecucion delos trabajos, i.e., la planificacion sigue una estrategiaprimero llega primero sale (FIFO).

La principal contribucion de este trabajo consis-te aumentar la complejidad del problema plantea-do en [1] utilizando un enfoque multiobjetivo basa-do en dominancia de Pareto y considerando ademasel orden de ejecucion de los trabajos en la plani-ficacion. Para esto utilizamos Earliest Finish Ti-

me Hole (EFTH), el mejor planificador de bajo ni-vel propuesto en [1], y aplicamos algoritmos evo-lutivos multiobjetivo (MOEA) para resolver la pla-nificacion de alto nivel. Se propone y evalua laaplicacion de dos MOEA ampliamente reconocidos,Non-dominated Sorting Genetic Algorithm (NSGA-II) [12] y Multi-objective Cellular Genetic Algorithm(MOCell) [13]. Los resultados obtenidos son com-parados con los computados por MaxMin-EFTH, elmejor planificador heurıstico propuesto en [1].

El documento esta estructurado de la siguientemanera. La Seccion II presenta los principales traba-jos relacionados. La Seccion III presenta la definiciony la formulacion del problema de planificacion mul-tiobjetivo propuesto. Los algoritmos de planificaciondisenados para abordar el problema se describen enla Seccion IV. El analisis experimental se presentaen la Seccion V. Finalmente, la Seccion VI resumelas conclusiones de la investigacion y propone lıneasde trabajo futuro.

II. Trabajos relacionados

Existen diversos trabajos en la literatura relacio-nados al problema multiobjetivo de planificacion enredes computacionales, apuntando a diferentes obje-tivos de desempeno como makespan y flowtime [14],[15], teniendo en cuenta la robustez de las planifica-ciones [16], [17], o minimizando el costo economicode las planificaciones [18], [19], [20], [21], etc.

Recientemente, la eficiencia energetica ha gana-do una gran importancia. Las principales estrategiaspara la optimizacion del consumo energetico se pue-den clasificar en: independiente y simultanea. En laestrategia independiente, un algoritmo de planifica-cion de mejor esfuerzo (best-effort) es combinado oseguido por una tecnica de reclamacion de holgura(slack reclamation). En estas tecnicas las restriccio-nes de energıa y de desempeno se suponen indepen-dientes, por lo que es muy facil adaptar algoritmosnuevos o existentes para considerar el objetivo de efi-ciencia energetica [22], [23]. El algoritmo Maximum-Minimum-Frequency DVFS (MMF-DVFS) es uno delos mas eficientes para la ejecucion basada reclama-cion de holgura de las tareas. Los autores propusie-ron un enfoque para reclamar tiempos de holgurautilizando una combinacion lineal de la frecuenciamas alta y mas baja del procesador, y calculando lacombinacion de frecuencias a utilizar para minimizarel consumo energetico de la ejecucion de una tareaa traves de la reclamacion de holgura [24].

Por otro lado, en la estrategia simultanea ambasmetricas de desempeno y ahorro de energıa se opti-mizan simultaneamente. En este caso, el problemase modela como un problema de optimizacion mul-tirestringido, multiobjetivo, donde el objetivo es en-contrar las planificaciones optimas de Pareto. Khany Ahmad [25] presentaron el concepto de la solucionde negociacion de Nash de la teorıa de juegos coope-rativos para planificar trabajos independientes sobre

un grid de computadores para minimizar simultanea-mente makespan y consumo energetico asumiendomaquinas capaces de utilizar DVS.

En [26], se introdujo un modelo de consumode energıa para los sistemas de computacion mul-tinucleo. Este modelo no aplica DVS ni otras tecni-cas especıficas para la administracion de energıa.En lugar de ello, propone un modelo de consumoenergetico basado en la energıa necesaria para eje-cutar tareas a plena capacidad, la energıa cuando nose usan todos los nucleos de la maquina, y la energıaque cada maquina consume en estado de reposo.

Dorronsoro et al. [1] propusieron el problema deplanificacion jerarquico de lotes de trabajos en sis-temas distribuidos, considerando tareas con prece-dencias. Utilizando el modelo energetico propuestoen [26], se disenaron y evaluaron un conjunto deheurısticas para la planificacion de alto y bajo ni-vel. Estas heurısticas utilizan un enfoque de tipo delista, utilizando tecnicas de backfilling, y una estra-tegia de planificacion de tipo FIFO.

En este artıculo se amplıa el enfoque de [1] pararesolver el problema mas complejo de la planificacionde lotes de trabajos considerando un enfoque de op-timizacion multiobjetivo basado en dominancia dePareto.

III. Definicion del problema

El problema que consideramos en este trabajo esla planificacion estatica de lotes de trabajos (que secaracterizan como DAG) en centros de datos hete-rogeneos y distribuidos, compuestos por procesado-res multinucleo. El objetivo del problema consiste enla minimizacion de makespan, el consumo total deenergıa, y las penalizaciones debido al vencimientode los plazos de ejecucion de tareas. Suponemos quehay un servidor front-end al que se envıan todas lascargas de trabajo. Este servidor cada cierta unidadde tiempo construye un lote con los nuevos traba-jos y procede a planificar ese lote en los recursos decomputo disponibles.

En este problema atacamos la planificacion de ntrabajos independientes J = {j0, j1, . . . , jn} que de-ben ser ejecutados en un conjunto heterogeneo k denodos de computo CN = {CN0, CN1, . . . , CNk}.

El modelo del problema define lo siguiente:

Cada nodo de computo CNr es una colec-cion de NPr procesadores multinucleo (NPr pue-de ser diferente para cada CNr). Cada no-do se encuentra representado por una tupla(opsr, cr, E

rIDLE , E

rMAX , NPr) definiendo el desem-

peno de los procesadores que lo componen en termi-nos de operaciones de punto flotante por segundo(FLOPS), su cantidad de nucleos, consumo energeti-co en estado ocioso y en su maxima utilizacion, asıcomo tambien la cantidad de procesadores que inte-gran el nodo.

Cada trabajo jq es una aplicacion paralelaconstituida por un conjunto de tareas Tq =

{tq0, tq1, . . . tqm} con dependencias entre ellas, tıpi-camente cada tarea tiene diferentes requerimientoscomputacionales.

Cada trabajo jq tiene un plazo de ejecucion aso-ciado Dq antes del cual debe finalizar su ejecucion.

Cada tarea tqα es una dupla tqα = (oqα, ncqα) con-teniendo su largo oqα (en terminos de numero deoperaciones), y el numero de procesadores requeri-dos para su ejecucion, ncqα.

Cada trabajo es representado mediante un grafode tareas con precedecia jq = (V,E), donde V es unconjunto de m nodos, cada uno representando unatarea tqα (0 ≤ α ≤ m) del trabajo paralelo jq. E esel set de aristas dirigidas entre tareas que definen unorden parcial entre ellas. Sea ≺ el orden parcial delas tareas en G, el orden parcial tqα ≺ tqβ modela lasrestricciones de precedencia. Si una arista eαβ ∈ Eentonces la tarea tqβ no puede comenzar su ejecu-cion antes de que la tarea tqα finalice su ejecucion.Consideramos despreciable el costo de las comunica-ciones, ya que estas solo ocurren dentro de un mismoCN. La Fig. 1 muestra graficamente el escenario delproblema.

8

4

1

2

7

3

5

9

10

6

Lower-level Scheduler

Set 1 of jobs

Higher-level Scheduler

Grid

Customers Workflow

Front-end

ApplicationsLower-level Scheduler

Lower-level Scheduler

Set i of jobs

Set 2 of jobs

3

n2

n4

4

1

4 2

3

n1

n5

n3

n6

Cluster 1

Cluster 2

Cluster i

Fig. 1. Escenario del problema

Este escenario es modelado mediante el siguienteproblema multiobjetivo:

Minimizar el makespan, definido como:

fM (~x) = max0≤r≤k

CTr

Donde ~x representa una planificacion, k es el numerode nodos de computo disponible, y CTr es el tiempoen que el nodo r finaliza con la ejecucion de todaslas tareas que le fueron asignadas (CNr).

Minimizar el consumo energetico: aplicamosel modelo de consumo energetico para arquitecturasmultinucleo propuesto en Nesmachnow et al. [26].El consumo energetico para un conjunto de trabajosse define en la Ecuacion 1, donde f1 es la funcionde planificacion de alto nivel, y f2 es la funcion deplanificacion de bajo nivel.

fE(~x) =∑r∈CN

∑jq∈J:

f1(jq)=CNr

∑tqi∈Tq :

f2(tqi)=pj

EC(tqi, pj)+

∑pj∈CN

ECIDLE(pj) (1)

Donde EC(tqi, pj) representa el consumo energeti-co del procesador pj durante la ejecucion de la tareatqi, y ECIDLE(pj) el consumo energetico del pro-cesador pj durante sus momentos ociosos en la pla-nificacion ~x. El consumo energetico total incluye laenergıa necesaria para ejecutar las tareas asignadasa cada procesador, y la energıa que cada procesadorconsume en estado de ocioso.

El modelo para el consumo energetico se basa enuna funcion lineal con respecto al numero de nucleosutilizados en la maquina (Ecuacion 2). Dentro de ca-da maquina multinucleo, en cualquier momento elconsumo de energıa varıa linealmente desde EIDLEcuando el procesador esta ocioso, hasta EMAX cuan-do se utiliza plenamente el procesador. UC es elnumero de nucleos utilizados, TC es el numero to-tal de nucleos en la maquina, y E(UC) es la energıaconsumida al usar UC nucleos.

Se aplica un metodo simple para calcular el con-sumo de energıa de cada maquina en cada CN. Alclasificar los nucleos con respecto a su tiempo de pro-cesamiento, el consumo de energıa de una maquinadeterminada se calcula por la expresion en la Ecua-cion 3, donde ti denota la sumatoria del tiempo deejecucion de las tareas asignadas al nucleo i.

E(UC) = EIDLE + (EMAX − EIDLE)× UC

TC(2)

t0 × EMAX +

TC−1∑h=1

E(TC − h) ∗ [th − th−1],

si UC = TC

tTC−UC × E(UC) +

UC−1∑h=1

E(UC − h)×

[tTC−UC+h − tTC−UC+h−1]

si UC < TC (3)

Minimizar la penalizacion por incumpli-miento en el plazo de ejecucion de los tra-bajos: cada trabajo jq define una funcion de penali-zacion que especifica el costo de no cumplir su plazode ejecucion. Esta funcion se encuentra definida enterminos del tiempo adicional requerido para la fi-nalizacion de la ejecucion trabajo luego de vencidoel plazo para su ejecucion, Penaltyq(Fq). Su costoes 0, si el trabajo finaliza antes de que su plazo deejecucion venza, y Penaltyq(Fq) cuando Fq > Dq.La penalizacion total de una planificacion esta de-finida como la suma de las penalizaciones de cadatrabajo:

fC(~x) =∑

0≤q≤n

Cost(~x, q) (4)

Donde Cost(~x, q) es la penalizacion asociada al tra-bajo jq en la planificacion ~x, definido como:

Cost(~x, q) =

{0 si Fq < Dq

Penaltyq(Fq) si Fq ≥ Dq(5)

En este trabajo consideramos tres funciones de pe-nalizacion. La asignacion de cada funcion viene dadapor la instancia del problema y se realiza de acuerdoa la prioridad de cada trabajo (penalizaciones masimportantes son asignadas a trabajos de mayor prio-ridad).

Penaltyq(Fq) =

SQRT =√Dq − Fq

LIN = Dq − FqSQR = (Dq − Fq)2

(6)

IV. Algoritmos de planificacion

En esta seccion se presentan los algoritmos de pla-nificacion de bajo nivel y alto nivel.

A. Planificador EFTH de bajo nivel

El planificador EFTH (Earliest Finish Time Hole)funciona de la siguiente manera. Dado un CN y unalista de trabajos, EFTH planifica los trabajos en elCN respetando el orden de aparicion de los trabajosen la lista y utilizando una tecnica de backfilling encada maquina. EFTH da prioridad a los huecos enla planificacion de cada maquina, pero en lugar debuscar el hueco que mejor se adapte a cada tarea, laheurıstica selecciona el hueco que puede completarcada tarea en el menor tiempo, sin tener en cuentala longitud del hueco. Como consecuencia, este al-goritmo produce un bajo numero de violaciones enel tiempo de finalizacion. Cuando no hay un huecodisponible para ejecutar la tarea, la heurıstica asig-na la tarea a la maquina que pueda finalizarla masrapido.

B. Planificadores MOEA de alto nivel

Para atacar el problema de la planificacion de altonivel proponemos comparar dos metodos diferentesbasados en dos MOEA ampliamente reconocidos enla literatura: Non-dominated Sorting Genetic Algo-rithm (NSGA-II) [12] y Multi-objective Cellular Ge-netic Algorithm (MOCell) [13].

NSGA-II es un Algoritmo Genetico (GA) que haceuso de una poblacion panmıtica de soluciones (i.e.,no estructurada), y que basa la obtencion de una po-blacion de soluciones hijas en la aplicacion de opera-dores geneticos tıpicos como seleccion, cruzamiento,y mutacion. Las soluciones de las poblaciones de hi-jos y padres se clasifican de acuerdo a su rango, yse seleccionan las mejores soluciones para crear unanueva poblacion de soluciones padres. En el caso detener que seleccionar soluciones con el mismo rango,se utiliza una estimacion de densidad basada en ladistancia hacinamiento para favorecer la seleccion desoluciones en las zonas menos pobladas.

MOCell se caracteriza por el uso de una poblaciondescentralizada y un archivo externo para almace-nar las soluciones no dominadas encontradas duran-te la busqueda. Las soluciones estan dispuestos enuna malla toroidal de dos dimensiones, y solo in-teractuan entre ellos aquellas soluciones que estan

cercanas entre sı en la malla. La principal venta-ja de utilizar esta estructura celular para la pobla-cion es que las soluciones se encuentran aisladas porla distancia y por lo tanto las buenas soluciones sepropagaran lentamente a traves de la malla de lapoblacion, en consecuencia, esta estructura permitemantener la diversidad de soluciones en la poblacionpara mas tiempo.

V. Analisis experimental

En esta seccion se presenta la plataforma de desa-rrollo y ejecucion, las instancias del problema utiliza-das, luego se detalla la configuracion de los MOEA,y a continuacion se describen las metricas para com-paracion de los algoritmos. Finalmente se describe laheurıstica MaxMin-EFTH y se presentan y discutenlos resultados esperimentales obtenidos.

A. Plataforma de desarrollo y ejecucion

Los algoritmos MOCell y NSGA-II fueron desa-rrollados en Java utilizando el framework jMetal.La heurıstica EFTH y MaxMin-EFTH se encuen-tran desarrolladas en lenguaje C. Los experimentosfueron ejecutados en un servidor Intel Xeon de 12nucleos a 2.26 GHz con 24Gb de RAM en un siste-ma operativo Linux Debian 2.6.26-2 y Java 1.5.

B. Instancias del problema

Se generaron 125 lotes de trabajos, cada lote cons-tituido por 1000 trabajos. Se crearon cuatro mode-los diferentes de trabajos: i) paralelo heterogeneo,ii) paralelo homogeneo, iii) paralelo en serie, y iv)de una sola tarea. La Fig. 2 muestra la estructurade cada uno de estos tipos de trabajos. Cada bloquerepresenta una tarea computacional con caracterısti-cas especıficas; i.e., tiempo de ejecucion (altura de latarea) y numero de procesadores (anchura de la ta-rea). El tipo de trabajo paralelo heterogeneo repre-senta un trabajo generico compuesto por bloques decalculo no identicos con precedencias arbitrarias; eltipo paralelo homogeneo representa un trabajo com-puestos por bloques de calculo identicos; paralelo enserie representa un trabajo que se puede dividir ensubprocesos a ejecutar en paralelo; por ultimo, eltipo de una sola tarea–como su nombre lo indica–representa un trabajo de una unica tarea. El numerode tareas en cada trabajo oscila entre 3 y 132, conla excepcion de los trabajos de una sola tarea.

De los 125 lotes de trabajos, 25 lotes estan com-puestos por trabajos de tipo paralelo heterogeneo,25 estan compuestos por trabajos de tipo paralelohomogeneo, 25 por trabajos de tipo paralelo en se-rie, 25 por trabajos de una sola tarea, y 25 por unamezcla de tipos de trabajos compuestos en un 30 %por trabajos tipo paralelo heterogeneo, 30 % de tipoparalelo homogeneo, 30 % paralelo en serie, y 10 %de una sola tarea.

Los escenarios de computo estan constituidos porcinco nodos de computo en los que se deben ejecu-

(a) (b) (c) (d)

Fig. 2. (a) paralelo heterogeneo, (b) paralelo homogeneo, (c) paralelo en serie, y (d) una sola tarea

TABLA I

Caracterısticas de los procesadores considerados

procesador nucleos GFLOPS EIDLE EMAX

Intel Celeron 430 1 7,20 75,0W 94,0WIntel Pentium E5300 2 20,80 68,0W 109,0WIntel Core i7 870 4 46,88 76,0W 214,0WIntel Core i5 661 2 26,64 74,0W 131,0WIntel Core i7 980 XE 6 107,60 102,0W 210,0W

tar los trabajos del lote. Cada nodo de computo estaconstituido por un conjunto homogeneo de procesa-dores. Para la generacion de los nodos de computose consideraron los procesadores de la Tabla I.

C. Configuracion de los MOEA

En esta seccion presentamos la configuracion uti-lizada para MOCell y NSGA-II. Para ambos algorit-mos se utilizo la misma configuracion. Una poblacionde 100 soluciones y un criterio de parada de 20000evaluaciones del fitness. Una probabilidad de cruza-miento de 1,0 y una probabilidad de mutacion de 0,2.La inicializacion de la poblacion inicial se realiza deforma totalmente aleatoria.

Codificacion de la solucion. Para la codificacionse la solucion se considera un conjunto de listas devalores enteros, una lista por cada centro de datos.Cada lista esta compuesta por los identificadores delos trabajos que seran ejecutados en por ese centro.El orden de ejecucion de los trabajos en el centro dedatos estara dado por el orden en que los trabajosaparecen en la lista.

Funcion de fitness. Para la evaluacion del fitnessse utilizo el algoritmo EFTH en ambos MOEA pararealizar la planificiacion de bajo nivel y calcular lasmetricas de makespan, consumo energetico y pena-lizacion por violaciones.

Operador de seleccion. Se realiza mediante unmetodo de torneo binario. Este metodo seleccionaaleatoriamente dos soluciones de la poblacion, las

compara, y descarta la solucion dominada. En el ca-so de que ambas soluciones sean no dominadas, des-carta una de forma aleatoria en el caso de MOCell,o descarta la que tenga un mayor valor de hacina-miento en el caso de NSGA-II.

Operador de cruzamiento. Se utiliza un metodode intercambio de 2 puntos. Se construye una unicalista mediante la union de todas las listas de trabajosde la solucion, se seleccionan dos puntos de corte endos trabajos al azar, y se intercambian las sublistasgeneradas por los puntos de corte.

Operador de mutacion. Se utiliza un metodo sim-ple de intercambio donde un trabajo cualquiera esintercambiado por otro trabajo de cualquier lista se-leccionado al azar.

Operador de factibilizacion. Se cuenta con unoperador especial para refactibilizar soluciones, uti-lizado para corregir soluciones no factibles luego deaplicar los operador de cruzamiento y de mutacion,e.g. la cantidad de nucleos requeridos por un traba-jo debe ser satisfecha por al menos una maquina delCN al que se encuentra asignado.

D. Metricas multiobjetivo

En esta seccion se presentan las metricas utiliza-das para la evaluacion experimental de los algorit-mos multiobjetivo.

Hipervolumen (HV) [27]. Calcula el volumen m-dimensional (en el espacio objetivo) cubierto por lassoluciones en el frente de Pareto Q evaluado y unpunto de referencia dominadoW . Matematicamente,para cada solucion i ∈ Q, un hipercubo vi se constru-ye con el punto W de referencia (e.g., construido conun vector de los peores valores de la funcion objeti-vo) y la solucion i como las esquinas diagonales dela hipercubo. Se calcula la union de todos los hiper-cubos y se calcula su hipervolumen como se muestraen la Ecuacion 7. Un mayor valor de HV indica unmejor desempeno ya que esta metrica toma su valor

maximo cuando todas las soluciones del frente dePareto Q pertenecen al frente de Pareto verdadero.

HV = volumen

|Q|⋃i=1

vi

(7)

Spread (∆) [12]. Este indicador mide la extensiondel conjunto de soluciones de un frente de Pareto. Elspread se define como se muestra en la Ecuacion 8.

∆ =df + dl +

∑N−1i=1 |di − d|

df + dl + (N − 1)d(8)

Donde di es la distancia Euclidiana entre solucio-nes consecutivas, d es la media de estas distancias, ydf y dl son las distancias Euclidianas a las solucionesextremas del frente de Pareto optimo en el espacioobjetivo. Este indicador toma un valor de cero pa-ra una distribucion ideal, senalando una extensionperfecta de las soluciones en el frente de Pareto.

Distancia Generacional Invertida (IGD) [28].Mide la proximidad de las soluciones de Pareto ob-tenidos a las soluciones del frente de Pareto optimo.IGD se define en la Ecuacion 9, donde di es la distan-cia Euclidiana desde el punto i en el frente de Paretoaproximado a la solucion mas cercana en el frente dePareto optimo, y n es el numero de soluciones en elfrente de Pareto. Cuando IGD toma un valor de ceroindica que el frente de Pareto evaluado consiste solode soluciones que se encuentran tambien en el frentede Pareto optimo.

IGD =

√∑ki=1 d

2i

n(9)

E. Heurıstica de lınea base

Para comparar la eficacia de los planificadores pro-puestos utilizamos la heurıstica MaxMin-EFTH dedos niveles. La heurıstica MaxMin-EFTH consta detres componentes: la heurıstica EFTH para la pla-nificacion de bajo nivel, la heurıstica MaxMin parala planificacion de alto nivel, y una funcion de es-timacion–de bajo costo–utilizada por MaxMin paraestimar la planificacion de bajo nivel. De esta mane-ra la planificacion se realiza en dos fases. Primero seaplica MaxMin para realizar la planificacion de altonivel utilizando la funcion estimador, y una vez ter-minada la ejecucion de MaxMin, se aplica EFTH pa-ra computar la verdadera planificacion de bajo nivel.La utilizacion de la funcion estimador reduce signifi-cativamente el costo computacional del algoritmo ypermite realizar planificaciones en lınea.

F. Resultados y discusion

En seccion presenta y discute los resultados obte-nidos en el analisis experimental. En primera instan-cia comparamos ambos MOEA para determinar cualde los dos es capaz de computar soluciones mas pre-cisas y muestrear de mejor forma el frente de Pareto

de soluciones. En segunda instancia comparamos laeficacia de los MOEA en relacion con las solucionescomputadas por la heurıstica MaxMin-EFTH.

Para ser capaces de asegurar cierta significanciaestadıstica en la comparacion de los MOEA, realiza-mos 30 ejecuciones independientes de ambos algorit-mos y aplicamos el test de rangos con signo de Wil-coxon. La Tabla II muestra los resultados del calcu-lo promedio de las metricas multiobjetivo para cadaalgoritmo, discriminados por tipo de instancia delproblema. En color gris oscuro se muestra el algo-ritmo que computa los mejores resultados para todaslas instancias evaluadas, y en gris claro se muestrael algoritmo que computa los mejores resultados enal menos 20 de las 25 instancias evaluadas; en amboscasos con una confianza estadıstica de 99, 95 %.

La Tabla II muestra que NSGA-II obtiene mejo-res resultados que MOCell en las metricas de hiper-volumen e IGD, para todas los tipos de instancias delproblema. Esto indica que en la mayorıa de los ca-sos, el frente de Pareto calculado por NSGA-II con-tiene soluciones mas precisas (i.e., mas cercanas alfrente de Pareto optimo) y con una mejor cobertu-ra del espacio de soluciones optimas. En cambio, lassoluciones computadas por MOCell presentan mejo-res valores en la metrica de spread, esto indica queMOCell computa soluciones mas homogeneamentedistribuidas a lo largo del frente de Pareto. La Fig. 3muestra un ejemplo de un frente de Pareto compu-tado por cada algoritmo para una instancia del pro-blema de tipo paralelo heterogeneo.

4.58

4.624.64

4.66

4.4

4.45

4.5

4.55

4.6

4.65

x 104

0

1

2

3

x 1010

4.6

MakespanEnergía

Viol

acio

nes

NSGA−IIMOCellMaxMin−EFTH

Fig. 3. Ejemplo de frente de Pareto computado

Los resultados experimentales indican que NSGA-II es capaz de computar resultados mas precisos quelos computados por MOCell en la mayorıa de lasmetricas consideradas.

Luego comparamos los valores computados por losMOEA y los valores computados por la heurıstica delınea base MaxMin-EFTH para cada objetivo. Pararealizar la comparacion de los resultados, normali-zamos las soluciones computadas por los MOEA, yde cada frente de Pareto computado seleccionamos

TABLA II

Valor promedio de HV, spread, e IGD para los algoritmos MOCell y NSGA-II.

tipo HV spread IGDinstancia MOCell NSGA-II MOCell NSGA-II MOCell NSGA-II

heterogeneo 0,43±0,06 0,59±0,07 1,00±0,02 1,32±0,03 0,06±0,03 0,04±0,01homogeneo 0,57±0,07 0,65±0,06 0,80±0,05 0,90±0,02 0,04±0,01 0,03±0,01serial 0,57±0,07 0,65±0,06 0,95±0,03 1,35±0,02 0,05±0,02 0,04±0,01una tarea 0,57±0,07 0,65±0,06 0,87±0,02 0,98±0,04 0,04±0,01 0,03±0,01mezcla 0,49±0,01 0,58±0,09 0,96±0,04 1,08±0,04 0,04±0,01 0,03±0,01

la solucion mas cercana a la solucion calculada porMaxMin-EFTH, i.e., aquella que se encuentra a me-nor distancia Euclidiana. Luego se compararon losvalores objetivos de las soluciones seleccionadas delos MOEA y la calculada por MaxMin-EFTH. LaTabla III muestra la mejora promedio computadapor MOCell y NSGA-II para cada objetivo con res-pecto a MaxMin-EFTH. En negrita se muestra elmejor valor promedio computado.

La Tabla III muestra que MOCell y NSGA-II soncapaces de calcular valores mas precisos a los calcula-dos por MaxMin-EFTH para los objetivos de energıay de penalizacion por violaciones. NSGA-II presentamejoras promedio de 5,6 % en consumo energetico y47,1 % en penalizacion por violaciones; mientras queMOCell mejora el consumo energetico en 4,8 % y en51,5 % en penalizacion por violaciones. Las ampliasmejoras computadas por los MOEA en el objetivo depenalizacion por violaciones se deben principalmen-te a que la heurıstica MaxMin-EFTH no conside-ra activamente la penalizacion por violaciones en laplanificacion y planifica los trabajos siguiendo unaestrategia FIFO, mientras que MOCell y NSGA-IIconsideran la reordenacion de los trabajos durantela planificacion.

Por otro lado, MaxMin-EFTH mostro ser muy efi-caz en terminos de makespan, computando solucio-nes en promedio 2,5 % mejores que las computadaspor los MOEA en el objetivo de makespan.

-10

0

10

20

30

40

50

60

Makespan Energía Violaciones

Po

rcen

taje

de

mej

ora

Objetivos del problema

MOCell NSGA-II

Fig. 4. Mejora promedio con respecto a MaxMin-EFTH.

VI. Conclusiones

En este artıculo se introduce un enfoque multi-objetivo para la planificacion multinivel de lotes detrabajos utilizando dominancia de Pareto y conside-rando un orden arbitrario para la ejecucion de lostrabajos. Se consideran simultaneamente los objeti-vos de eficiencia energetica, eficiencia en la utiliza-

cion de la infraestructura, y calidad de servicio. De-bido al aumento en la complejidad del problema, eneste trabajo se propone la aplicacion de dos MOEAampliamente conocidos: MOCell y NSGA-II.

Realizamos la evaluacion experimental de ambosMOEA utilizado tres metricas para la evaluacion dela calidad y la diversidad de los frentes de Paretocomputados. La evaluacion experimental fue realiza-da sobre un conjunto de 125 instancias del problemacon diferentes caracterısticas. Los resultados indicanque NSGA-II es capaz de computar resultados demejor calidad que los computados por MOCell parala mayorıa de las metricas y en la mayorıa de lasinstancias del problema.

Los resultados indican que NSGA-II y MOCell soncapaces de computar resultados mas precisos que loscomputados por MaxMin-EFTH para los objetivosde energıa y de penalizacion por violaciones.

Luego comparamos las soluciones computadas porNSGA-II y MOCell con las computadas por laheurıstica MaxMin-EFTH, en terminos de makes-pan, consumo energetico, y penalizacion por viola-ciones de plazos de ejecucion. Los resultados obte-nidos muestran que los algoritmos NSGA-II y MO-Cell computan soluciones con los mejores valores deconsumo energetico y penalizacion por violacionesen plazos de ejecucion. Por otro lado, la heurısticaMaxMin-EFTH resulta altamente eficaz en terminosde makespan computando soluciones con los mejoresvalores para este objetivo.

Las principales lıneas de trabajo futuro son dos.La primera consiste en la mejora de los MOEA pro-puestos mediante el uso de una version estocasticade la heurıstica MaxMin-EFTH para la inicializacionde la poblacion y mediante la hibridacion de un ope-rador de busqueda local. La segunda lınea de trabajose centra en la mejora de las heurısticas de planifi-cacion. Los resultados obtenidos muestran que hayun gran espacio para la mejora de las heurısticas ac-tualmente propuestas, principalmente en lo que res-pecta al objetivo de penalizacion por violaciones enlos plazos de ejecucion. Para esto se propone disenarnuevas y mas complejas heurısticas que sean capa-ces de computar soluciones mas cercanas al frente dePareto.

Agradecimientos

S. Iturriaga y S. Nesmachnow son parcialmentefinanciados por ANII y PEDECIBA (Uruguay). B.

TABLA III

Mejora promedio (en %) computada por NSGA-II y MOCell para cada objetivo con respecto a MaxMin-EFTH.

tipo makespan energıa penalizacioninstancia MOCell NSGA-II MOCell NSGA-II MOCell NSGA-II

heterogeneo 0.26 0.58 2.21 2.62 51.48 50.01homogeneo -7.75 -6.48 2.32 2.95 52.71 49.54serial -0.44 -0.28 -0.11 0.05 54.23 51.99una tarea -4.70 -4.44 10.38 11.19 49.61 43.02mezcla -1.18 -1.18 9.26 11.05 49.49 40.88

Dorronsoro es financiado por FNR (Luxemburgo) yMarie Curie Actions of the European Commission(FP7-COFUND), bajo el contrato no 4017742. A.Tchernykh es parcialmente financiado por by CO-NACYT (Mexico) bajo el fondo 178415.

Referencias

[1] B. Dorronsoro, S. Nesmachnow, J. Taheri, A. Y. Zoma-ya, E.-G. Talbi, and P. Bouvry, “A hierarchical approachfor energy-efficient scheduling of large workloads in mul-ticore distributed systems,” Sustainable Computing: In-formatics and Systems, pp.–, 2014, In press.

[2] A. Y. Zomaya and Y. C. Lee, Energy Efficient Distribu-ted Computing Systems, Wiley-IEEE Computer SocietyPress, 2012.

[3] I. Ahmad and S. Ranka, Handbook of Energy-Aware andGreen Computing, Chapman & Hall/CRC, 2012.

[4] G. Valentini, W. Lassonde, S. Khan, N. Min-Allah,S. Madani, J. Li, L. Zhang, L. Wang, N. Ghani, J. Kolod-ziej, H. Li, A. Zomaya, C.-Z. Xu, P. Balaji, A. Vishnu,F. Pinel, J. Pecero, D. Kliazovich, and P. Bouvry, “Anoverview of energy efficiency techniques in cluster com-puting systems,” Cluster Computing, vol. 16, no. 1, pp.3–15, 2013.

[5] A. Tchernykh, J. E. Pecero, Aritz Barrondo, and Eli-sa Schaeffer, “Adaptive energy efficient scheduling inpeer-to-peer desktop grids,” Future Generation Compu-ter Systems, vol. 36, pp. 209–220, 2014.

[6] A. Tchernykh, L. Lozano, P. Bouvry, J. E. Pecero,U. Schwiegelshohn, and S. Nesmachnow, “Energy-awareonline scheduling: Ensuring quality of service for iaasclouds,” in Int Conference on High Performance Com-puting Simulation, 2014, pp. 911–918.

[7] A. Kumar, L. Shang, L.-S. Peh, and N. K. Jha, “Hybdtm:a coordinated hardware-software approach for dynamicthermal management,” in 43rd ACM/IEEE Design Au-tomation Conference, 2006, pp. 548–553.

[8] A. Hirales-Carbajal, A. Tchernykh, R. Yahyapour, J. L.Gonzalez-Garcıa, T. Roblitz, and J. M. Ramırez-Alcaraz,“Multiple workflow scheduling strategies with user runtime estimates on a grid,” Journal of Grid Computing,vol. 10, no. 2, pp. 325–346, 2012.

[9] A. Quezada-Pina, A. Tchernykh, J. L. Gonzalez-Garcıa,A. Hirales-Carbajal, J. M. Ramırez-Alcaraz, U. Schwie-gelshohn, R. Yahyapour, and V. Miranda-Lopez, “Adap-tive parallel job scheduling with resource admissible allo-cation on two-level hierarchical grids,” Future Genera-tion Computer Systems, vol. 28, no. 7, pp. 965–976, 2012.

[10] A. Tchernykh, U. Schwiegelshohn, R. Yahyapour, andN. Kuzjurin, “On-line hierarchical job scheduling ongrids with admissible allocation,” Journal of Scheduling,vol. 13, no. 5, pp. 545–552, 2010.

[11] A. Tchernykh, J. M. Ramırez, A. Avetisyan, N. Kuzjurin,D. Grushin, and S. Zhuk, “Two level job-scheduling stra-tegies for a computational grid,” in Parallel Processingand Applied Mathematics, R. Wyrzykowski, J. Donga-rra, N. Meyer, and J. Wasniewski, Eds., vol. 3911, pp.774–781. Springer Berlin Heidelberg, 2006.

[12] K. Deb, A. Pratap, S. Agarwal, and T. Meyarivan,“A fast and elitist multiobjective genetic algorithm:NSGA-II,” IEEE Transactions on Evolutionary Compu-tation, vol. 6, no. 2, pp. 182–197, Apr. 2002.

[13] A. J. Nebro, J. J. Durillo, F. Luna, B. Dorronsoro, andE. Alba, “Mocell: A cellular genetic algorithm for multi-

objective optimization,” International Journal of Inte-lligent Systems, vol. 24, no. 7, pp. 726–746, 2009.

[14] A. Abraham, H. Liu, C. Grosan, and F. Xhafa, Metaheu-ristics for Scheduling in Distributed Computing Environ-ments, vol. 146, chapter Nature Inspired Meta-heuristicsfor Grid Scheduling: Single and Multi-objective Optimi-zation Approaches, pp. 247–272, Springer, 2008.

[15] S. Nesmachnow, “Parallel multiobjective evolutionaryalgorithms for batch scheduling in heterogeneous com-puting and grid systems,” Computational Optimizationand Applications, vol. 55, pp. 515–544, 2013.

[16] B. Dorronsoro, P. Bouvry, J. Canero, A. Maciejewski,and H. Siegel, “Multi-objective robust static mappingof independent tasks on grids,” in IEEE Congress onEvolutionary Computation, 2010, pp. 3389–3396.

[17] I. De Falco, A. Della Cioppa, D. Maisto, U. Scafuri, andE. Tarantino, Applications of Soft Computing, vol. 58 ofAdvances in Soft Computing, chapter A MultiobjectiveExtremal Optimization Algorithm for Efficient Mappingin Grids, pp. 367–377, Springer-Verlag, 2009.

[18] K. Kurowski, A. Oleksiak, M. Witkowski, andJ. Nabrzyski, “Distributed power management and con-trol system for sustainable computing environments,” inInternational Green Computing Conference. 2010, pp.365–372, IEEE.

[19] J. Yu and R. Buyya, “A budget constrained scheduling ofworkflow applications on utility grids using genetic algo-rithms,” in IEEE Int Symposium on High PerformanceDistributed Computing, 2006, pp. 1–10.

[20] J. Yu, M. Kirley, and R. Buyya, “Multi-objective plan-ning for workflow execution on grids,” in IEEE/ACMInt Conf on Grid Computing, 2007, pp. 10–17.

[21] G. Ye, R. Rao, and M. Li, “A multiobjective resour-ces scheduling approach based on genetic algorithms ingrid environment,” in Int Conf on Grid and CooperativeComputing Workshops. 2006, pp. 504–509, IEEE Press.

[22] Sanjeev Baskiyar and Rabab Abdel-Kader, “Energy awa-re DAG scheduling on heterogeneous systems,” ClusterComputing, vol. 13, pp. 373–383, 2010.

[23] N. Rizvandi, J. Taheri, and A. Zomaya, “Some observa-tions on optimal frequency selection in dvfs-based energyconsumption minimization,” J. Parallel Distrib. Com-put., vol. 71, pp. 1154–1164, August 2011.

[24] N. B. Rizvandi, J. Taheri, and A. Zomaya, “Some obser-vations on optimal frequency selection in DVFS-basedenergy consumption minimization,” J. of Parallel andDist. Computing, vol. 71, no. 8, pp. 1154–1164, 2011.

[25] S. Khan and I. Ahmad, “A cooperative game theoreticaltechnique for joint optimization of energy consumptionand response time in computational grids,” IEEE Trans.Parallel Distrib. Syst., vol. 20, pp. 346–360, March 2009.

[26] S. Nesmachnow, B. Dorronsoro, J. E. Pecero, andP. Bouvry, “Energy-aware scheduling on multicore he-terogeneous grid computing systems,” Journal of GridComputing, vol. 11, no. 4, pp. 653–680, 2013.

[27] E. Zitzler and L. Thiele, “Multiobjective evolutionaryalgorithms: A comparative case study and the strengthpareto evolutionary algorithm,” IEEE Trans on Evolu-tionary Computation, vol. 3, no. 4, pp. 257–271, 1999.

[28] D. Allen V. Veldhuizen, Multiobjective Evolutionary Al-gorithms: Classifications, Analyses, and New Innova-tions, Ph.D. thesis, 1999.