Resultados de búsqueda para Optimization

Reducing the Cognitive Complexity of a piece of code to a given threshold is not trivial. Recently, we modeled Software Cognitive Complexity reduction as an optimization problem and we proposed an approach to assist developers on this task. This approach enumerates sequences of Extract Method refactoring operations until a stopping criteria is met. As result, it returns the minimal sequence of Extract Method refactoring operations found that is able to reduce the Cognitive Complexity of a method to the given threshold. However, enumeration algorithms fail to scale with the code size. The number of refactoring plans can grow exponentially with the number of lines of code. In this paper, instead of enumerating sequences of Extract Method refactoring operations, we model the Cognitive Complexity reduction as an Integer Linear Programming optimization problem. This makes it feasible to use solvers, like CPLEX, to efficiently find optimal solutions in large programs.

Los procesos de optimización de la ubicación de los servicios en infraestructuras Fog son de gran importancia dada la influencia en la calidad de los servicios y el rendimiento de la arquitectura. En estos entornos Fog, el proceso de optimización es de mayor complejidad debido al mayor tamaño y heterogeneidad de la arquitectura. Nos encontramos ante un problema NP-completo y multiobjetivo, que deber+AOE ser solucionado por algún método de optimización. En otros problemas relacionados, se ha puesto de manifiesto que el uso de los algoritmos genéticos es una solución habitual para optimizar estos procesos de asignación y optimización.Este trabajo compara el uso de tres algoritmos genéticos aplicados al problema de ubicación de servicios en nodos Fog. En particular, se estudian los algoritmos weighted sum genetic algorithm (WSGA), non-dominated sorting genetic algorithm II (NSGA-II), y multiobjective evolutionary algorithm based on decomposition (MOEA/D). El problema planteado considera que las aplicaciones están compuestas por un conjunto interrelacionados de módulos o servicios, y que cada uno de ellos puede ubicarse en nodos distintos de la arquitectura. El objetivo es optimizar la utilización de recursos, la dispersión geográfica de los servicios y la latencia de red en la ejecución de una aplicación.NSGA-II obtuvo los mejores resultados de optimización y de diversidad del espacio de soluciones, aunque para ello fue el que mostr+APM unos mayores tiempos de ejecución. Por el contrario, el algoritmo MOEA/D mostr+APM unos tiempos de ejecución más cortos, pero sin conseguir optimizar los tres criterios al mismo nivel que el NSGA-II. El algoritmo WSGA no destac+APM sobre los otros dos en ninguno de los aspectos analizados.

Robert M. Hierons, Miqing Li, Xiaohui Liu, Sergio Segura, and Wei Zheng. 2016. SIP: Optimal Product Selection from Feature Models Using Many-Objective Evolutionary Optimization. ACM Trans. Softw. Eng. Methodol. 25, 2, Article 17 (April 2016), 39 pages. DOI: http://dx.doi.org/10.1145/2897760 Indicadores de calidad: – Revista de referencia en el área de Ingeniería del Software (CS-SE: 21/106). – Colaboración internacional con los profesores Robert Hierons [1] y XiaoHui Liu [2]. – Hemos sido invitados a presentar el trabajo en FSE16 e ICSE17 como parte de la iniciativa journal-first (ver programa de la conferencia [3]). – Ha recibido 6 citas desde su publicación en abril de 2016 [4]. [1] http://dblp.uni-trier.de/pers/hd/h/Hierons:Robert_M= [2] http://dblp.uni-trier.de/pers/hd/l/Liu:Xiaohui [2] http://icse2017.gatech.edu/?q=technical-research-accepted [4] https://goo.gl/XyTmQR

After achieving initial market penetration, Cloud Computing stakeholders now call for a next generation of Infrastructure and Software as a Service offering (IaaS and SaaS). CloudWave, an EU-funded FP7 research project, looks to dynamically adapt cloud services to their environment, resulting in improved service quality and optimized resource use. This is supported with an enhanced cloud monitoring that provides holistic analytics of IaaS and SaaS layer services running on the cloud, leading to CloudWave’s innovative, automated adaptation of the infrastructure and application, as well as enabling DevOps-like data and interfaces for the developer. DevOps-like data and interfaces for the developer.