Ninf-G を用いたディーゼルエンジン燃料噴射スケジューリング問題の最適化システム千野晋平 † 廣安知之 †† 三木光範 †† † 同志社大学大学院 †† 同志社大学工学部 1 はじめに近年、広域ネットワーク上において、複数の計算資源および情報資源を仮想的に統合して利用するための基盤技術である Grid が盛んに研究されている．また， Grid 環境において並列分散計算を行うためのミドルウェアである GridRPC が開発されている．GridRPC を用いることによって，計算時間を多く必要とするような最適化問題であっても取り扱うことが可能となる．本研究では，GridRPC ミドルウェアの一つである Ninf-G を用いてディーゼルエンジン燃料噴射スケジューリング問題の最適化システムを Grid 化する． 2 ディーゼルエンジン燃料噴射スケジューリング問題 3 Ninf-G を用いたディーゼルエンジン燃料噴射スケジューリング問題の最適化システム 3.1 概要ディーゼルエンジン燃料噴射スケジューリング問題では，全体の計算量のうち，HIDECS による評価部分が多くを占める．そこで，多目的 GA が多点探索であるという特徴を生かし，評価部分を探索点ごとに分散させることで最適化に要する時間の短縮を図る．本システムでは，最適化の部分を Java で実装しているため， Ninf-G Java を利用する．Grid 上の Server で多目的 GA の評価部分を実行し，Client で多目的 GA の他の部分を実行する．Fig. 1 にシステムの模式図を示す．Fig. 1 の探索点にはディーゼル燃焼をシミュレートする上で必要なパラメータが記述されている．ディーゼルエンジンは，その燃費効率の良さや高ト ᄙ⋡⊛GA HIDECS ルクなどの理由より，特に商用分野で広く使われている．しかしながら，環境問題への関心に伴い，ディー ㆬᛯ ゼルエンジンの排出する NOx やすすの量が問題となっ ⹏ଔ HIDECS ੤෷ ている．近年，燃料噴射スケジュールを制御することで，NOx ⓭ὼᄌ⇣ やすすの量を制御する研究が進められている．しかし HIDECS 㧦ត⚝ὐ ながら，燃料消費量と NOx の値にはトレードオフの関係があり，両者を同時に最適化することができない． Fig. 1: 最適化システムの模式図そのため，コンピュータシミュレーションによる多目的最適化手法を用いて，設計を行うことが有効である． HIDECS に適当なディーゼル燃焼パラメータを与え多目的最適化手法は数多く存在するが，本研究では，ないと HIDECS が結果を返さない場合がある．本研遺伝的アルゴリズム (Genetic Algorithm:GA) を多目究では HIDECS による計算時間が 1 分多っても結果的最適化手法に適用した多目的遺伝的アルゴリズムのを返さないとき，評価結果に最悪値を与える．一つである SPEA2[1] を用いる．また，ディーゼルエ 3.2 ンジンシミュレータとして HIDECS[2] を用いる．実験環境実装したシステムの有効性の検証を行うために，評価を行うためには，1CPU では，1 週間の計算時間 Grid Challenge Federation[3] によって提供されている Grid 環境上に存在するクラスタ (Table 1) を用いて実験を行った．また，比較対象としてローカル環境で構成されるクラスタ (Table 2) を用いた．が必要となる． 3.3 HIDECS による一回の計算時間は，PentiumIII(1GHz) で HIDECS を 1 回実行するためには，約 14.86 秒かかる．使用した GA で総計 40000 回の数値実験ローカル環境，Grid 環境，それぞれにおいて，探同志社大学大学院 Graduated School of Knowledge Engineering and Computer Science, Doshisha University (†) 同志社大学工学部 Department of Knowledge Engineering and Computer Science, Doshisha University (††) 1-3 Miyakodani, Tatara, Kyotanabe, Kyoto 610-0321, Japan 索点数，計算機の数が 10，20，30，40，50 の場合における最適化に要する時間の計測結果の平均を Fig. 2 に示す．なお、Grid 上の計算機の利用方法としては，それぞれのクラスタを均等に利用する．考慮し，ローカル環境 (20 台)，Grid 環境 (100 台) に Table 1: 利用した Grid 環境のクラスタ CPU Memory(MB) Node おける最適化に要する時間を計測した．結果を Fig. 4 20 に示す． A Athlon XP 1900+ 768 B PentiumIII 1.2GHz 1024 20 C Athlon XP 2000+ 512 20 D Xeon 2.8GHz 1024 20 E Xeon 2.4GHz 2048 20 ታⴕᤨ㑆 ⑽ クラスタおいて，探索点の数が 20，40，60，80，100 の場合に GridⅣႺ ࡠ࡯ࠞ࡞ⅣႺ Table 2: ローカル環境のクラスタ 20 クラスタ Xenia CPU Memory(MB) Node 1024 50 Xeon 2400 40 60 ត⚝ὐ 80 100 Fig. 4: 探索点変化時の最適化に要する時間ローカル環境では，計算機が有限であるため，探索点が増加に伴い，計算資源が豊富な Grid 環境の方が ታⴕᤨ㑆 ⑽ 有効であると考えられる． GridⅣႺ ࡠ࡯ࠞ࡞ⅣႺ 4 今回のシステムの問題点本研究では，以下の 2 つの問題点が存在する． • 適切な負荷分散がされていない ត⚝ὐߩᢙ⸘▚⾗Ḯߩᢙ Fig. 2: 最適化に要する時間次に，Grid 環境において，探索点数が 10，20，30， 40，50 の場合のオーバーヘッドを Fig. 3 に示す． • 100 台を超えると Handle の生成時にエラーが出て利用できない場合がある Grid 上の計算機の性能を考慮せず，均等に Job を振り分けたため，全体の評価時間が性能の悪い計算機の影響を強く受けてしまうという結果が得られた．性能の悪い計算機には job の割り当てを減らし，性能のよい計算機に多くの job を割り当てる等の対策が必要である．また，Grid 上の 100 台を超える計算機を利用する ࠝ࡯ࡃ࡯ࡋ࠶࠼ ⑽ と不安定になり，実行できないという現象が生じた．これについては原因追求する必要がある．参考文献 [1] E. Zitzler and M. Laumanns and L. Thiele ត⚝ὐߩᢙ⸘▚⾗Ḯߩᢙ Fig. 3: Grid 上でのオーバーヘッド Fig. 3 より，通信時間は最適化に要する時間に影響しないと考えられる．また，Fig. 2 におけるローカル環境と Grid 環境の最適化に要する時間の差は Grid 上の計算機の性能を考慮せず，均等に Job を振り分けたため，全体の評価時間が性能の悪い計算機の影響を強く受けてしまったものと考えられる．次にローカル環境では計算資源が有限であることを Improving the Performance of the Strength Pareto Evolutionary Algorithm ”Technical Report 103, Computer Engineering and Communication Networks Lab (TIK), Swiss Federal Institute of Technology (ETH) Zurich, 2001 [2] H. Hiroyasu and T. Kadota: Models for Combustion and Formation of Nitric Oxide and Soot in Direct Injection Diesel Engines, SAE, Paper 760129, (1976). [3] Grid Challenge in SACSIS 2005 http://www.hpcc.jp/sacsis/2005/gridchallenge/