ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique
Auteurs : soumettez
votre article en ligne
Autres revues >>

Technique et Science Informatiques

0752-4072
Revue des sciences et technologies de l'information
 

 ARTICLE VOL 36/3-6 - 2017  - pp.217-241  - doi:10.3166/tsi.2017.00006
TITRE
Vers une distribution optimale des modèles DEVS dans un contexte pessimiste. De l’apprentissage à la distribution

RÉSUMÉ
Face aux simulations de plus en plus gourmandes en calculs et en nombre de modèles, il est important d’offrir une solution efficace permettant d’optimiser les simulations DEVS distribuées dans un contexte pessimiste. C’est pourquoi, nous proposons de mettre en place une approche d’optimisation des simulations distribuées par restructuration de la hiérarchie de modèles à l’aide d’outils de partitionnement de graphes. En effet, la distribution de modèles atomiques peut être perçue comme un problème de partitionnement de graphes, où l’objectif est de créer une partition de modèles équilibrés, dont le critère de coupe est minimum. Cependant, le graphe tel qu’il est conçu ne reflète pas la dynamique des modèles atomiques. La pondération des arcs de ce graphe repose sur une démarche d’apprentissage des différentes dynamiques à l’aide des chaînes de Markov cachées, en les adaptant aux contraintes liées au formalisme DEVS. Cet article présente l’ensemble du processus permettant d’obtenir une optimisation des temps de simulation distribuée.


ABSTRACT
Simulations are more and more expensive in time computation and in number of models, so it is important to offer an effective solution to optimize distributed DEVS simulations in a pessimistic context. That is why, we propose to implement an optimization approach of distributed simulations by restructuration of the DEVS model hierarchy using graph partitioning tools. Indeed, the atomic models distribution can be seen like a partitioning graph problem, where the objective is to create a balanced model partition, with a minimal edge cut. However, the graph as designed does not reflect the dynamics of atomic models. The weighting of graph edges is based on a learning approach of each dynamic using hidden Markov models, with several adaptations based on the DEVS constraints. This article presents all of the process to obtaining an optimization of distributed simulation times.


AUTEUR(S)
Christopher HERBEZ, Éric RAMAT, Gauthier QUESNEL

Reçu le 20 septembre 2016.    Accepté le 3 mai 2017.

MOTS-CLÉS
DEVS, partitionnement, apprentissage, HMM, distribution, simulation.

KEYWORDS
DEVS, partitioning, learning, HMM, distribution, simulation.

LANGUE DE L'ARTICLE
Français

 PRIX
• Abonné (hors accès direct) : 12.5 €
• Non abonné : 25.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (40,72 Mo)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier