• Aucun résultat trouvé

Figure 3.13 – Algorithme génétique hiérarchique.

3.7

Paradigmes informatiques considérés comme outils

de parallélisation pour les AEs

Divers auteurs, chercheurs, scientifiques ont parallélisé des AEs sur différentes archi- tectures de calcul parallèle, à savoir : les Clusters, MPP (Massively Parallel Processing), GPGPU (General Purpose Graphics Processing Units), les Grilles de calcul, le Cloud Com- puting, les processeurs Multi-coeurs/HPC, pour assurer une solution optimale à chaque fois avec efficacité et efficience.

La performance d’un AE est optimisée par la parallélisation. La façon dont les AEs Parallèles sont parallélisés dépend des paramètres suivants :

1. L’initialisation de la population.

2. La disponibilité d’une population unique ou de multiples sous-populations. 3. La politique de migration, taux de migration.

4. La méthode de sélection. 5. La fonction objective. 6. Le croisement.

7. La mutation.

8. La méthode de sélection de survie.

Selon la façon dont chacun de ces éléments est mis en oeuvre, différentes méthodes d’algorithmes parallèles sont plus adaptées, comme présenté dans la section précédente. Dans notre thèse, nous proposons d’élaborer une brève étude concernant les paradigmes informatiques considérés pour la parallélisation des AEs avant d’entamer notre étude concernant la contribution des GPUs dans cette zone.

3.7. OUTILS DE PARALLÉLISATION DES AES

3.7.1

Cluster et MPP

Un Cluster est généralement déployé pour améliorer la performance et la disponibilité existante sur un seul ordinateur. La plupart des implémentations existantes des AEs parallèles utilisent soit le Cluster ou le MPP pour l’exécution (large nombre de processeurs (ou ordinateurs) pour effectuer un ensemble de calculs coordonnés en parallèle.). Le retard de communication devrait être pris en considération lors de la mise en oeuvre sur des clusters et des MPPs. La plupart des supercalculateurs existants sont soit des Clusters ou bien des MPPs [138]. Les Clusters présentent divers inconvénients sur grille tels que le contrôle centralisé, moins de sécurité, pas d’accès direct aux ressources hétérogames distribuées et l’accès à distance complexe aux sources de données. L’avantage des clusters et des MPPs réside dans le fait qu’ils se composent de noeuds homogènes, facilitant ainsi le développement d’algorithmes parallèles.

Le modèle le plus célèbre des ALGORITHME EVOLUTIONNAIRE PARALLÈLEs s’exécutant sur des clusters est le modèle d’îlot. Les travaux [27], [124] et [14] rapportent des mises en oeuvre sur les clusters.

3.7.2

Grille de calcul

La Grille de calcul (composée de plusieurs ordinateurs interconnectés en réseau conjoin- tement pour effectuer de grandes tâches) est un concept important, il a rapidement fait évoluer des paradigmes de programmation parallèles. Il est plus faiblement couplé, hé- térogène avec une distribution géographique. La grille de calcul présente de nombreux avantages par rapport aux Clusters tels que : l’absence de contrôle centralisé, la sécu- rité, l’accès aux ressources hétérogènes distribuées, l’accès facile et fiable à des sources de données à distance et un service à toute les applications disponibles.

Un Algorithme Génétique sur une grille de calcul est dit Algorithme Génétique Orienté Grille (GOGA). Ce terme a été introduit par Herrera et coll. [82]. Les algorithmes géné- tiques coarse grained, medium grained et fine grained GAs ont été implémentés sur grilles de calcul.

3.7.3

Les architectures multicoeurs et les systèmes HPC

De nombreux Algorithmes Génétiques ont été mis en oeuvre sur des systèmes multi- coeurs, mais ne soucient pas de leur utilisation CPU/Coeur. Aujourd’hui, les processeurs multi-coeurs sont moins en moins chers et sont facilement disponibles. Les Systèmes multi- coeurs comportent plusieurs coeurs de traitement sur une même puce tandis que les sys- tèmes multiprocesseurs sont construits par assemblage de plusieurs processeurs (puces) à l’intérieur d’un même système. Les défis des AEs sur des systèmes HPC sont liés à la prise en charge de la tolérance aux pannes, de l’assurance d’évolutivité, de l’équilibrage de charge, du stockage de données ainsi que de l’exploitation optimale des architectures multi-coeurs.

Zheng et coll. [211] se sont intéressés à l’élaboration des Algorithmes Génétiques Paral- lèles avec la perspective des architectures de type Multi-cores et Many-core. De son côté, Cristea a proposé la conception et le design des Algorithmes Génétiques Parallèles sur des modèles d’analyse et de performance HPC [25]. Par ailleurs, Zhuang et coll. ont proposé un Algorithme Génétique Parallèle pour la planification sur la puce IC dans un système

3.7. OUTILS DE PARALLÉLISATION DES AES

HPC [214]. Dunlop et coll. [42] utilisèrent les AGs sur l’outil de réglage automatique de référence.

Les architectures des Algorithmes Génétiques Parallèles sont mises en oeuvre sur des Clusters, des MPPs, des grilles de calcul, des GPUs, le Cloud Computing, les architectures Multi-coeurs et les HPCs. Pour la conception d’un AGP sur une architecture Multi-coeurs, HPC et GPGPU, le nombre de coeurs peut être pris en considération afin d’optimiser la coopération et l’utilisation CPU/GPU.

3.7.4

Le Cloud Computing

Nous vivons aujourd’hui l’ère de la croissance rapide de l’informatique et des logiciels de parallélisation. Acheter la dernière configuration du PC ou un système de haute per- formance représente un élément de jugement d’actualité. Cependant, il n’est pas possible d’investir dans toutes les dernières infrastructures informatiques matérielles et logicielles. La disponibilité de l’infrastructure informatique et de logiciels sur un Cloud est assez facilement disponible.

Du fait de l’exigence de potentialités de calcul intensif et parallèle d’un Algorithme évolutionnaire Parallèle, il s’avère difficile de mettre en oeuvre et d’optimiser ses per- formances sur un Cloud Computing. En outre, développer un AE Parallèle sur un Cloud requiert impérativement des connaissances approfondies sur l’AE ainsi que de sur le Cloud Computing. Beaucoup de questions liées au Cloud, comme la sécurité, la bande passante, etc. sont encore en discussion.

Zhao et coll. ont mis en oeuvre un AE parallèle, sur un prototype de Cloud Computing appelé Hadoop [210].

Par la suite, les travaux qui seront mentionnés dans chaque catégorie sont liés princi- palement aux architectures des GPUs.

Partie 3 :

Contribution des accélérateurs graphiques

(GPUs) dans la parallélisation des