Contribuții în optimizarea multicriterială a sistemelor informatice distribuite Conducător de doctorat Doctorand: Prof.Dr.Ing. Alexandru Șerbănescu… [626958]

Academia Tehnică Militară
Facultatea de Inginerie Electronică și Telecomunicații
Nr. Decizie Senat ___din_____

TEZĂ DE DOCTORAT

Contribuții în optimizarea multicriterială
a sistemelor informatice distribuite

Conducător de doctorat Doctorand: [anonimizat].Dr.Ing. Alexandru Șerbănescu Ing. Rareș Maniu

COMISIA DE DOCTORAT

Președinte de la
Conducător de
doctorat Prof.Dr.Ing. Alexandru Șerbănescu de la
Referent de la
Referent de la
Referent de la

București
– 2017

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
2 Abstract

Odată cu evoluția tehnică provocările actuale , specifice sistemelor informatice
distribuite , se adresează spre soluționare mai mu lt tehnicilor probabilistice decât celor
deterministe.
Volumul din ce în ce mai mare de date, într -o formă brut ă, neindexate , neclasificate,
rețelele din ce în ce mai complexe și mai dinamice, necesită noi tehnici de căutare a soluțiilor
pentru probleme complicate , tehnici care să fie capabile să ofere soluții într -un orizont de timp
bine definit și acceptabil de către beneficiar. Mai mult decât atât, există probleme care sunt
imposibil de descris ca aparat matematic și neabordabile prin metode clasice de rezolvare. Toate
acestea se constituie ca premise valide în încercarea de dezvoltare și utilizare de tehnici
specifice inteligenței artificiale în scopul identificării soluțiilor.
Această teză propune utilizarea tehnicilor evolutive ca alternativă la cele clasice, bazate
pe algoritmi determiniști , pentru optimizarea sistemelor informatice, ținând cont că aceste
tehnici sunt capabile să abordeze probleme complexe de optimizare multicriterială și să ofere
un set de soluții Pareto optimale. În acest sens sunt prezentat e studii referitoare la utilizarea
algori tmilor genetici pentru construcția de seturi de configurații care respectă constrângerile
impuse , studii referitoare la utilizarea căutării evolutive în managementul și optimizarea
rețelelor în general și în mod par ticularizat pentru cele de tip SDN sau Internet of Things.
În plus, teza abordează și optimizarea funcționării algoritmilor genetici, prin asigurarea
funcției de adaptare a operatorilor genetici atât prin utilizarea valorii fitness -ului cromozomilor
cât și prin evaluarea distribuției acestora în spațiul de căutare .

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
3 Cuprins
1 INTRODUCERE ………………………….. ………………………….. ………………………….. ………….. 5
1.1 Formularea problemei ………………………….. ………………………….. ………………………….. ………………………….. ……………. 5
1.2 Scopul tezei ………………………….. ………………………….. ………………………….. ………………………….. ………………………….. .. 7
1.3 Contribuții ale lucrării ………………………….. ………………………….. ………………………….. ………………………….. …………… 8
1.4 Organizarea tezei ………………………….. ………………………….. ………………………….. ………………………….. …………………… 8
2 STAREA DOMENIULUI ………………………….. ………………………….. ………………………….. .. 9
2.1 Concepte și direcții de evoluție a sistemelor distribuite ………………………….. ………………………….. …………………… 10
2.1.1 Machine to machine communica tion (M2M communication) ………………………….. ………………………….. ……… 10
2.1.2 Internet of Things (IoT) ………………………….. ………………………….. ………………………….. ………………………….. …. 13
2.1.3 Calculul ubicuu ………………………….. ………………………….. ………………………….. ………………………….. …………….. 16
2.1.4 Calculul mobil ………………………….. ………………………….. ………………………….. ………………………….. ……………… 18
2.1.5 Calculul raportat la context (Context aware computing) ………………………….. ………………………….. ……………… 21
2.1.6 Rețele de senzori wireless ………………………….. ………………………….. ………………………….. ………………………….. . 22
2.1.7 Smart -dust ………………………….. ………………………….. ………………………….. ………………………….. …………………… 24
2.1.8 Ambien t intelligence ………………………….. ………………………….. ………………………….. ………………………….. …….. 26
2.1.9 Virtualizarea ………………………….. ………………………….. ………………………….. ………………………….. ………………… 27
2.1.10 Cloud computing ………………………….. ………………………….. ………………………….. ………………………….. ………….. 32
3 OPTI MIZAREA MULTICRITERI ALĂ ………………………….. ………………………….. ………… 36
3.1 Metode evolutive de optimizare multicriterială a sistemelor informatice. Concepte ………………………….. ……… 41
3.1.1 Algoritmii genetici ………………………….. ………………………….. ………………………….. ………………………….. ………… 42
3.1.2 Programarea genetică ………………………….. ………………………….. ………………………….. ………………………….. ……. 55
3.1.3 Programarea evolutivă ………………………….. ………………………….. ………………………….. ………………………….. …… 57
3.1.4 Strategii evolutive ………………………….. ………………………….. ………………………….. ………………………….. …………. 59
4 UTILIZAREA ALGORITMI LOR GENETICI ÎN OPTI MIZAREA SISTEMELOR
INFORMATICE DISTRIBU ITE ………………………….. ………………………….. ……………………….. 60
4.1 Metode de optimizare a componentei de co municații a sistemelor distribuite. Context. Aplicații ……………….. 61
4.1.1 Context: ………………………….. ………………………….. ………………………….. ………………………….. ………………………. 61
4.1.2 Lucrări conexe referitoare la metodele de optimizare a componentei de comunicații a sistemelor distribuite 62
4.1.3 SAEN ………………………….. ………………………….. ………………………….. ………………………….. …………………………. 62
4.1.4 Tehnici genetice aplicate în managementul rețelelor moderne ………………………….. ………………………….. ……… 65
4.1.5 Explorarea posibilităților unui controller SDN adaptiv ………………………….. ………………………….. ……………….. 68
4.1.6 Generarea genetică a unei rețele Internet of Thinks suprapuse ………………………….. ………………………….. …….. 69
4.2 Metode de optimizare a algoritmilor genetici utilizați pentru managementul infrastructurii de comunicații a
sistemelor distribuite. ………………………….. ………………………….. ………………………….. ………………………….. ……………………. 71
4.2.1 Context ………………………….. ………………………….. ………………………….. ………………………….. ……………………….. 71
4.2.2 Lucrări conexe referitoare la optimizarea algoritmilor genetici utilizați pentru managementul infrastructurii de
comunicații a sistemelor distribuite ………………………….. ………………………….. ………………………….. ………………………….. . 71
4.2.3 Mutarea adaptivă în algoritmii genetici de calculare a rutei minime ………………………….. ………………………….. 72
4.2.4 Operatorul de crossover adaptiv bazat pe distribuția soluțiilor în spațiul de căutare ………………………….. …….. 75

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
4 4.2.5 Influența condițiilor de mediu asupra crossover -ului adaptiv bazat pe distribuția cromozomilor în spațiul de
căutare 82
5 CONCLUZII ………………………….. ………………………….. ………………………….. ……………… 89
5.1 Discuții și rezultate ………………………….. ………………………….. ………………………….. ………………………….. ………………. 89
5.2 Limitări ale tezei ………………………….. ………………………….. ………………………….. ………………………….. ………………….. 92
5.3 Studii viitoare ………………………….. ………………………….. ………………………….. ………………………….. ………………………. 92
6 ANEXE ………………………….. ………………………….. ………………………….. …………………….. 93
6.1 Listă publicații ………………………….. ………………………….. ………………………….. ………………………….. …………………….. 93
6.2 Detalii de implementare ………………………….. ………………………….. ………………………….. ………………………….. ……….. 95
6.3 Acronime ………………………….. ………………………….. ………………………….. ………………………….. ………………………….. … 97
6.4 Listă de fig uri ………………………….. ………………………….. ………………………….. ………………………….. ………………………. 99
6.5 Listă de tabele ………………………….. ………………………….. ………………………….. ………………………….. ……………………. 101
6.6 Notații ………………………….. ………………………….. ………………………….. ………………………….. ………………………….. …… 102
7 BIBLIOGRAFIE ………………………….. ………………………….. ………………………….. ………. 103

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
5 1 Introducere

Un sistem informatic distribuit este un sistem de prelucrare a informației format dintr -o colecție
de elemente dotate cu capacități de calcul și comunicații, independente, care fac schimb de mesaje și
își coordonează activitatea între ele utilizând o infrastructură de comunicații pentru a îndeplin i un
numă r de obiective specifice. Motivele principale al dezvoltării sistemelor distribuite este partajarea și
virtualizarea resurselor , scalabilitatea, reducerea costurilor precum și toleranța la erori.
Serviciile din c e în ce mai diversificate de comunicații și creșterea capacității de transport
disponibilă au transformat sistemele distribuite într -o regulă și nu o excepție. Mai mult decât atât,
miniaturizarea elementelor cu capacitate de calcul, portabilitatea lor și i nteracțiunea din ce în ce mai
strânsă cu utilizatorul a generat apariția și dezvoltarea unor sisteme distribuite heterogene și dinamice.
În paralel cu componenta hardware și componenta software a suferit modificări pentru a răspunde
noilor cerințe ale uti lizatorilor, î n această direcție, tehnologia evoluând atât din punct de vedere al
algoritmilor , fiind dezvoltate noi tehnici de prelucrare a volumului din ce în ce mai mare de date cât și
din punct de vedere al limbajelor de programare (prin necesitatea de a fi disponibile pentru un număr
mare si foarte eterogen de platforme hardware) cât și din punct de vedere al aplicațiilor. Conceptul
„mobile computing” împreună cu spațiul de adre se practic nelimitat disponibile oferite prin standardul
IPv6 facilitează dezvoltarea sistemelor distribuite și apariția de noi tehnici și metode pentru
managementul acestora.
Conceptele de virtualizare și de cloud computing sunt elemente care permit dezvoltarea de
sisteme informatice evolutive, de mari dimensiuni, răspândite pe o arie geografică mare, cu parametrii
heterogeni , atât din punct de vedere al sistemului de comunicație cât si al capacității de calcul și de
stocare. Proiectarea, dezvoltarea și r ealizarea managementului unor astfel de sisteme informatice, cu
respecta rea specificațiilor de calitate a serviciilor sunt o provocare majoră pentru posibilitățile actuale
de management (atât din punct de vedere al comunicațiilor cât și din punct al realizării sarcinilor) bazate
pe deciziile administratorului care au fost dezvoltate în contextul existenței sistemelor clasice, relativ
statice.
Totodată, marea cantitate de date disponibilă din care doar o mică parte este structurată precum
și constrângerile referito are la timpul de calcul orientează tendința de abordare deterministă orientând –
o spre calculul probabilistic, atât în cazul abordării problemelor de optimizare, cât și de căutare și
control.
Complexitatea sistemului implică complexitatea controlului acestuia și necesitatea optimizării
alocării resurse lor necesare în îndeplinirea sarcinilor. D ată fiind direcția de dezvoltare ale sistemelor
distribuite spre o creștere a complexității și spre o dinamică mare, instrumentele clasice sunt în mod
necesar completate cu tehnici noi de prelucrare a datelor, de management și de optimizare a
funcționării.
Lucrarea de față își propune să prezinte aplicarea tehnicilor specifice calculului evolutiv în
optimizarea funcționării sistemelor informatice distribuite actuale.

1.1 Formularea problemei

Direcțiile de evoluți e ale domeniului IT sunt orientate spre dezvoltarea spațiului virtual, tendință
susținută de mobilitate și de marea varietate de servicii de comunicații disponibile atât în spațiul public
cât și în cel privat. Conceptul Int ernet of Things (IoT) nu mai est e o noțiune abstractă, posibilă doar

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
6 din punct de vedere teoretic, fiind în curs de implementare și în continuă extindere , până la nivelul
anului 2021 fiind preconizată apariția de standarde care să suporte implementarea de infrastructuri
dense IoT, în con formitate cu [1].
Tehnologiile Machine -to-Machine communication, virtualizarea (atât din punct de vedere al
software -ului cât și a l hardware -ului și comunicațiilor), arhitectura cloud, platformele web scalabile
beneficiază de suportul infrastructurii de comunicații care oferă servicii cu acoperire geografică
aproape totală și prezintă o creștere accentuată (Fig.1 ) .

Figura 1Evoluția conexiunilor M2M [1]

Comunicațiile wireless și depășirea limitărilor impuse de numărul finit de adrese oferite de
IPv4 prin implementarea standardului IPv6 oferă premisele creșterii spectaculoase a numărului de
echipamente cu capacități de prelucrare/stocare date conectate în diverse rețele (Fig.2).

Figura 2 Evoluția numărului de echipamente conectate în rețea prin standard IPv6

Noile noțiuni de calcul ubicuu, de realitate augmentată, au cerințe specifice referitoare la
mobilitate , miniaturizare și capacitate de calcul. Toate aceste a implică dezvoltarea unor sisteme
informatice cu un mare grad de dinam icitate, complexitate și heterogenitate . Din acest punct de vedere,
dezvoltarea și managementul lor clasic, prin interven ția factor ului uman este imposibil ă, fiind necesară
dezvoltarea unor tehnici automate , adaptabile, scalabile .

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
7 Prin multitudinea de cerințe care trebuie îndeplinite pentru a asigura furnizarea în parametrii a
serviciilor, problema managementului unor astfel de siste me este o problemă de optim izare
multicriterială. Ca urmare a existenței mai multor funcții obiectiv, de multe ori cu tendințe de evoluție
opuse, noțiunea de optim presupune identificarea mulțimii soluțiilor de compromis care îndeplinesc
toate obiectivele. Astfe l, dificultatea majoră a problemelor multiobiectiv constă în necomparabilitatea
diferitelor soluții identificate.
Dinamicitatea mare a sistemelor necesită adoptarea în timp util a deciziilor care afectează
parametrii de funcționare , operațiunile de c onfigurare/reconfigurare trebuind să fie realizate transparent
pentru utilizatorul final. Fiind vorba de decizii multiobiectiv este nevoie de o nouă abordare a
conceptelor de optimizare și management a acestor sisteme de calcul pentru a realiza furnizarea
serviciilor în parametrii impuși, variantele clasice, relativ statice sau cu dinamicitate redusă, bazate pe
intervențiile administratorilor neputând oferi soluții viabile în timp rezonabil .

1.2 Scopul tezei

Scopul acestei teze este de a prezenta soluții noi de optimizare și management a sistemelor
informatice moderne , în concordanță cu evoluția tehnologică. Întrucât nivelul de integrare a tehnologiei
în societate (definită în prezent ca societate informațională) este în continuă creștere iar soli citarea de
servicii are un caracter dinam ic, sunt necesare tehnologii care să le completeze pe cele clasice pentru a
asigura un nivel de autoadaptare și de asistare activă sau chiar de înlocuire a factorului uman în
configurarea/reconfigurarea echipamentel or.
Dinamicitatea este un atribut relativ nou al sistemelor inform atice, apărut ca urmare a
dezvoltării la scara largă a comunica țiilor radio ș i de creșterea capacității de transport disponibile iar
miniaturizarea dispozitivelor hardware a accelerat ace astă caracteristică . Ca urmare , instrumentele
clasice de manageme nt și protocoalele existente nu mai sunt instrumente eficiente pentru controlul
sisteme lor informatice evolutive ș i de ma ri dimensiuni. Lucrarea de față prezintă un set de problem e
generate de dinamicitate, homogenitate și scalabilitate, propunând o abordare bazată pe algoritmi
genetici pentru optimizarea funcționarii unor astfel de sisteme .
Numărul mare de dispozitive mobile, cu capacitate de calcul, conceptul Internet of Things,
virtualizarea atât a componentei software cât și a managementului re țelei determină dezvoltarea
accelerată a sistemelor de mari dimensiuni dotate cu un anumit grad de autonomie și cu o dezvoltare
puțin predictibilă. Î n aceasta lucrare este propusa o aborda re genetic a a controlului acestor tipuri de
sisteme , în concordanță cu cerin țele de calitate a serviciilor.
Tehnicile genetice sunt o modalitate probabilistică de generare a unui set de rezultate î n
abordarea unei probleme multicriteriale . Inspirate din t eoria evolu ționistă a lui Darwin, acestea
realizează căutarea î n spațiul soluțiilor prin utilizarea unor operatori genetici care sunt aplica ți asupra
unor popula ții de cromozomi care codează problema. Teza propune atât un algoritm genetic care are ca
date de intrare inclusiv istoricul sistemului informatic cât și o variantă adaptivă a acestor operatori
pentru a accelera timpul de convergenta al algoritmului.
Totodată, în teză se are în vedere dezvoltarea unui set de funcții necesare pentru a simula un
sistem informatic de mari dimensiuni și de testare /validare a soluțiilor propuse.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
8 1.3 Contribuții ale lucrării

Luând în considerare scopul tezei enunțat anterior, autorul, în studiile și te stele efectuate atât în
teza prezentă cât și prin articolele susținute în cadrul conferințelor și prezentate în diverse publicații de
specialitate a propus:

a. În cadrul optimizării sistemelor informatice :
– Abordarea genetică a diverselor concepte și tehnologii de actualitate prezente în cadrul
sistemelor distribuite care poate înlocui în mod performant abordările clasice, bazate pe
algoritmi determiniști
– Adordarea unitară, multicriterială, a managementului infrastructurii de comunicații a unui
sistem distribuit, luând în considerare cerințele de servicii, resursele disponibile, tendința de
evoluție a parametrilor precum și evoluția din punct de vedere istoric a acestora
b. În cadrul optimizării funcționării algoritmilor genetici propuși a fi utilizați în sistemele
informatice distribuite:
– Conceptul de ”cromozom central” bazat pe dis tribuția în spațiul de căutare a cromozomilor
și nu pe fitness -ul acestora
– O nouă măsură a diversității care are ca repere distanțele dintre componentele populației și
cromozomul central
– O formă adaptivă a operatorilor de mutație și crossover care au ca pa rametrii atât fitness -uil
cât și noua măsură a diversității.
c. Dezvoltarea unei structuri de date și a unui set de funcții pentru realizarea testării soluțiilor
propuse.

1.4 Organizarea tezei

Lucrarea este structurată în 6 capitole, în care se urmărește intro ducerea în domeniul de studiu,
prezentarea conceptelor și direcțiilor de evoluție a sistemelor informatice distribuite, a metodelor de
optimizare multicriterială, cu accent pe cele care vor fi utilizate precum și contribuțiile aduse de autor
în domeniul de studiu.
Primul capitol conține o scurtă prezentare a problemelor speci fice domeniului studiat și a
scopului tezei, a organizării și a contribuțiilor aduse de autor în optimizarea multicriterială a sistemelor
informatice distribuite.
Capitolul al doilea este o prezentare a stării domeniului studiat și a conceptelor teoretice
componente ale tezei. Luându -se în considerare că noile tehnologii reprezintă motorul evoluției
sistemelor informatice atât ca arhitectură cât și din punct de vedere hardware ș i software , sunt abordate
succint elemente referitoare la machine -to-machine communication, Internet of Things, calcul ubicuu,
calcul raportat la context, rețele de senzori wireless, smart -dust, inteligența ambientală, elemente
referitoare la virtualizare și la cloud -computing , toate aceste componente existând cu precădere în
cadrul unor sisteme informatice distribuite .

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
9 În capitolul 3 s unt prezentate elemente teoretice referitoare la optimizarea multicriterială, cu o
dezvoltare mai pronunțată a metodelor evolutive de optimizare multicriterială a sistemelor informatice,
în cadrul cărora fiind detaliate algoritmii genetici (care vor fi tehnici de bază utilizate în metodele
propuse în capitolul 4) , programarea genetică, programarea evolutivă și strategiile ev olutive.
Capitolul 4 este dedicat prezentării unor metodelor genetice de optimizare /generare a soluțiilor
apărute în cadrul sistemelor distribuite incluzân d în două subcapitole distincte metodele propuse si
rezultatele obținute de către autor. În primul su bcapitol sunt preze ntate abordări evolutive ale
optimizării funcționării infrastructurii de comunicații a unor sisteme informatice, cel de -al doilea
subcapitol fiind rezervat prezentării studiilor referitoare la optimizarea funcționării algoritmilor
geneti ci utilizați, cu accent pe autoadaptarea operatorilor genetici.
Capitolul 5 prezintă concluziile referitoare la elementele abordate în cadrul tezei , limitările
studiilor și perspectivele de cercetare în domeniu .
Capitolul 6 conține lista de publicații ale autorului și detalii de implementare pentru tipurile de
date și funcțiile dezvoltate pentru testarea soluțiilor de optimizare propuse.

2 Starea domeniului

Proporțional cu creșterea acoperirii geografice și a capacității de transp ort din pun ct de vedere al
comunicațiilor, s-au dezvoltat și sistemele informatice distribuite. Toleranța la erori, partajarea
resurselor, nevoia de a oferi servicii pe o arie geografică întinsă sunt principalele motive pentru care
sistemele distribuite se vor dezvolta accelerat în următoarea perioadă.
Inițial, noțiunea de sistem distribuit s -a referit la un număr de echipamente dotate cu capacitate de
calcul, conectate în rețea, care, prin schimb de mesaje, îndeplinesc o anumită sarcină. Noile tehnologii
(virtualizarea) au lărgit noțiunea de sistem distribuit, în acest domeniu fiind inclusă și colecția de
procese autonome de pe același calculator, care îndeplinesc o anumită sarcină comunicând în tre ele.

Luând în considerare aceste premise, elementele definitorii ale unui sistem distribuit sunt:
– O modalitate de comunicare între componentele sistemului prin schimb de mesaje,
– Existența unor entități de calcul autonome (hardware sau software) care utilizează propriul
spațiu de memorie,
– Lipsa unui ceas global,
– Sistemul se prezintă utilizatorului prin rezultatele genera te, fiind transparentă component a
hardware sau software a acestuia.
Dacă la apariție sistemele distribuite erau caracterizate prin st abilitate, atât din punct de
vedere al nodurilor cât și din punct de vedere al comunicațiilor, cerințele actuale conduc spre sisteme
distribuite în care instabilitatea (atât ca elemente de calcul cât și din punct de vedere al comunicațiilor)
este o stare de normalitate. Mai mult decât atât, ele necesită și un anumit grad de autonomie. Dacă
aplicații le și dispozitivele de calcul sunt configurate de utilizator, menținerea conexiunii în cadrul
sistemului trebuie să fie efectuată fără a fi necesară intervenția factorului uman.
Dezvoltarea terminalelor „inteligente”, atât din punct de vedere al numărulu i, cât și al capacității
de calcul , al autonomiei și al comunicațiilor a condu s la apariția unor concepte noi, Machine to machine
(M2M) comunication, Internet of Things (IoT), ubiquitous computing, mobile computing, context –

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
10 aware computing, Smart Dust, Ut ility Fog, realitatea augmentată, rețelele de senzori depășind faza de
concept, de cercetare și fiind din ce în ce mai prezente în viața de zi cu zi.
În contextul unui sistem dinamic, tehnicile evolutive oferă un cadru optim din punct de vedere
al resurselor utilizate/ timpului de furnizare a rezultatelor/calității soluțiilor p entru asigurare a unei
autonomii funcționale având în vedere cerințele de fiabilitate, dispoinibilitate și scalabilitate .
Algoritmii genetici sunt o variantă pentru a furniza soluții de reconfigurare a elementelor în
cadrul sistemel or dinamice, de mari dimensiuni iar pentru operații cu volume mari de date, tehnicile
probabilistice oferă rezultate superioare tehnicilor clasice , deterministe .

2.1 Concepte și d irecții de evoluție a sistemelor distribuite

Apariția posibilității de a transmite date la distanță a determinat trecerea de la sistemele
informatice centralizate (de la tehnologia mainframe) la cele distribuite. Dezvoltarea rețelelor de
transmisii de date a fost determinat ă și în același timp a determinat evoluția domeniului IT.
Din punct de vedere istoric perioada anilor 90 a fost perioada apariției și dezvoltării sistemelor
de tip client -server. A fost continuată de perioada anilor 2000 influențată de dezvoltarea tehnol ogiilor
World -Wide -Web și a Internetului. Anii 2010 au foat marcați de ideea de mobilitate (anywhere,
anytime, anyuser) și au fost continuați de perioada actuală, a calculului pervaziv/ubicuu și de
virtualizare a resurselor (hardware, software și de comuni cații)
În paralel cu evoluția și dezvoltarea din punct de vedere al infrastructurii, au apărut noi c oncepte
care definesc palierele principale de evoluție tehnologică. În prezent, Internet of Things, Machine to
Machine Communication, virtualizarea, realit atea virtuală, realitatea augmentată, big data imprimă
direcții de dezvoltare hardware și software și includ atât palierul determinist cât și cel probabilist pentru
o integrare naturală a elementelor dotate cu capaci tăți de procesare și comunicații în viaț a de zi cu zi .

2.1.1 Machine to machine co mmunication (M2M communication)

Conceptul M2M communication are ca element central comunica ția directă , cu o minimă
interven ție umană între echipamente, ceea ce presupune ca toate elementele t rebuie sa fie conectate
într-o rețea.
Aplica țiile M2M sunt diverse și într -o continuă dezvoltare iar elementele componente ale unor
astfel de sisteme sunt heterogene , incluzând senzori, echipamente medicale, vehicule, echipamente de
divertisment, echipamente industriale, etc. , practic, orice obiect care poate fi adresat, autentificat,
localizat si controlat utilizând servicii de comunica ții poate fi integrat î ntr-un sistem M2M.
Date fiind tipurile de dispozitive componente, apar o serie de constrângeri :
– Interoperabilitatea, dat fiind numărul mare de producători , a modalită ților de conectare la
diverse tipuri de rețele
– capacitatea limitată de calcul
– eficienț a din pun ct de vedere energetic, datorită faptului că unele componente sunt autonome
din punct de vedere al sursei de energie
– autoorganizarea

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
11 – autonomia din pun ct de vedere al managementului ș i al funcționarii .
Referitor la schimbul de mesaje , deoarece un astfel de sistem este caracterizat de mobilitate ș i
dispunere pe o ari e geografica a elementelor componente, sistemele M2M sunt puternic dependente de
comunica țiile wireless. Puterea limitată de emisie, necesitatea unei antene, interferențele,
numărullimitat de canale de emisie disponibile sunt caracteristici care determină deciziile din punct de
vedere ar arhitecturii funcționale.
Caracteristicile ș i provocă rile domeniului M2M sunt :
– numărul mare de dispozitive
– aplica țiile diverse, ceea ce conduce la dif erite tipuri de trafic de date ș i la diverse cerin țe din
punct de vedere al serviciilor oferite de rețeaua de comunica ții
– existenț a unui număr mare de producători ceea ce implică standarde diferite ș i incompatibile
între servicii, interfe țe, aplica ții
– heterogenitatea comunica țiilor, atât cu fir cât ș i cele wireless.
Ca urmare a dezvoltării acestui tip de sisteme ( se estimează că la nivelul anilor 2020 vor
exista 50 miliarde de dispozitive) ș i a maturizării tehnologiei, este necesara o standardizare a
domeniului pentru a realiza un cadru de dezvoltare stabil, public, agreat, cu implicații pozitive din punct
de vedere al interoperabilității/interschimbabilității/conformității elementelor, din punct de vedere al
caracteristicilor tehnice și al transferului de tehnologie și al unificării produselor, proceselor și
servici ilor.
În [2], este tratata arhitectura funcțională a unui sistem M2M, descrierea entită ților componente,
a serviciilor ce pot fi oferit e, modalitatea de identificare î n rețea, managementul, securitatea, noțiuni de
implementar e.
Descrierea arhitecturală este împăr țită în doua domenii, cel al rețelei de comunica ții și cel al
elementelo r componente ș i al gateway -ului, conform Fig.1.:

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
12

În conformitate cu
această arhitectură, în domeniul elementelor M2M ș i al gateway -ului, se află dispozitivele care rulează
aplica țiile specifice. Acestea pot accesa domeniul rețelei atât direct, cât ș i printr -un gateway care
conectează rețeaua elem entelor M2M cu rețeaua în care se află aplica țiile.
Domeniul rețelei de comunica ții include rețeaua de acces (cu conexiune prin cablu sau
wireless), rețeaua specifica sistemului (care poate fi o rețea publica sau o rețea privata), nivelul
serviciilor disponibile si cel al aplica țiilor care utilizează datele generate de elementele M2M si le oferă
utilizatorului. Tot la acest nivel se află serviciile de management ale rețelei ș i ale dispozitivelor M2M.
Conexiunea între dou a domenii M2M se face, î n conformitate cu standardizarea propusa de
ETSI la nivelul unor interfe țe din domeniul rețea (mIm – M2M to M2M interface) (Fig.2.):

Figure 1 Arhitectura de nivel inalt a unui sistem M2M [2 ]

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
13

2.1.2 Internet of Things (IoT)

Conceptul IoT presupune la o rețea formata din elemente fizice dotate cu capacitate de calcul,
obiectele putând fi adresate ș i controlate, putând efectua diverse acțiuni daca sunt dotate cu elemente
efectoare, având capacitatea de a achizi ționa date din mediu cu ajutorul senzorilor sau având funcții de
transport, prelucrare sau stocare de informa ție.
Fiecare element este unic identificat, fiind posibilă interac țiunea cu alte obiecte prin utilizarea
rețelei de comunicații .
Din punct de vedere al dezvoltării, este un sistem î ntr-o expansiune pu ternică această dezvoltare
fiind susținută atâ t de miniaturizarea elementelor de calcul cât și de creșterea capacită ții de calcul ș i
dezvoltarea serviciilor de rețea.
Prin caracteristicile sale, IoT este o particularizare la scară mare (bazată preponderent pe
Internet ca modalitate de conectare a elementelor) a conceptului M2M communication, unde
elementele sunt distribuite pe o arie geografică limitată iar modalitatea preponderentă deconectarea a
lor este o rețea privată (existentă sau dezvoltată ad -hoc).
Elementele componente fac parte din domenii foarte variate, din industrie, m edicina,
divertisment, monitoriz are a mediului, transport, elemente ale casei inteligente , ale orașului inteligent
, etc.
Caracteristicile de baza ale elementelor IoT sunt:
– heterogenitatea – din punct de vedere al modalită ților de comunica ție, al parametrilor hardware
și software
Figure 2 Interconectarea î ntre doi provideri M2M

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
14 – interconectivitatea – orice obiect IoT poate să comunica cu alt e obiecte IoT utilizând
infrastructura de comunica ții
– dinamicitatea – atât din punct de vedere al funcționarii (peri odic, permanent, intermitent) cât
și din punct de vedere al localizării (unele sunt fixe, altele mobile)
– numărul mare de ec hipamente .
Din pu nct de vedere al tehnologiilor și protocoalelor utilizate, majoritatea acestora sunt propuse
și dezvoltate de producătorii de echipamente . Uneori acestea sunt incomplete sau dezvoltate doar
parțial, uneori sunt soluții complete dar necesită resurse indisponibile pentru echipamente furnizate de
alți producători, fiind de multe ori dificil sau chiar imposibil de integrat un număr mare de echipamente
diferite (ca urmare a diferențelor constructive, a c aracteristicilor funcționale, etc.) .
Pentru a se realiza o dezvoltare unitară a conceptului, în vederea impunerii unui standard și
pentru respectării unui set de caracteristici, ITU-T a elaborat recomandarea ITU -T Y.2060 prin care se
definește IoT ca o infrastructură la nivel global a societății informaționale care oferă servicii prin
interconectarea fizică sau virtuală a elementelor, pe baza tehnologiilor de comunicații și a capacității
de interoperabilitate.
Conceptul introduce posibilitatea de comunica re a oricărui lucru, pe lângă posibilitatea de a
comunica în orice moment de timp și în orice loc.

Figure 3 Dimensiunile IoT (ITU -T, 06.2012)

Un obiect fizic IoT poate fi reprezentat prin unul sau mai multe obiecte virtuale. Un obiect
virtual poate sau nu sa aibă corespondență în lumea fizică. Comunicarea între obiecte poate fi prin
intermediul unui gateway ș i a rețelei, direct prin rețea sau pu nct la punct (Fig.4.).

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
15
Figure 4 Obiecte din IoT (ITU -T, 06.2012)
Din punct de vedere al schimbului de informație între elemente, rețeaua în care sunt conectate
oferă serviciile necesare atât pentru transmit erea informațiilor col ectate câ t și pentru comanda
elementelor componente. Infrastructura necesară poate fi reprezentată atât de rețele existente cât și de
rețele dezvoltate ulterior.
În ITU -T Y.2060 este definit modelul de referință IoT pe 4 nivele (Fig.5.):
– nivelul fizic
– nivelul de rețea
– nivelul de suport pentru aplicații și servicii
– nivelul aplicațiilor.

Figure 5 Modelul de referință pentru IoT (ITU -T, 06.2012)

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
16
În cadrul nivelului aplicațiilor, se află aplicațiile care rulează și oferă servicii caracteristice IoT.
Nivelul de suport pentru servicii și aplicații o feră atât suport general pentru prelucrare și stocare de
date cât și servicii specifice. Acestea sunt determinate de cerințele aplicațiilor și de dotările elementelor
IoT.
Nivelul rețea oferă servicii de transport pentru datele achiziționate de senzori, pentru cele prelucrate
cât și pentru comenzile transmise elementelor, fiind oferite și servicii conexe de autentificare,
autorizare, management al rețelei, a mobilității.
Din punct de vedere al nivelului fizic , acesta se referă la interacțiunea directă cu rețeaua de
comunicații (achiziție sau transmitere directă de date direct, f ără utilizarea unui gateway) cât și cea
indirectă. Nivelul include și facilități de dezvoltare de rețele ad -hoc și mecanisme de economisire a
energiei (funcții „sleeping” și „wake -up”).
Referitor la elementele gateway, acestea trebuie să suporte multiple interfețe de comunicaț ie, cu
sau fără fir (CAN , Bluetooth, WiFi, etc.) și să comunice utilizând tehnologii diverse (PSTN, 2G, 3G,
4G, LTE, DSL, etc.). Pe lângă acestea, trebuie să suporte realizarea de conversii de protocol în cazul
în care sun t utilizate protocoale diferite.
Din punct de vedere al managementului și al securității , elemente ale acestor funcții sunt prezente
în toate cele 4 nivele ale modelului de referință. Funcțiile de management sunt implementate în
elementele componente IoT , în topologia rețelei și în managementul benzii de comunicație(trafic,
congestii, rezervare de resurse, etc.). Pe lângă aceste funcții de bază sunt prezente și elemente specifice,
direct dependente de serviciile oferite de sistem.
Securitatea are atât componente gener ale cât și componente particulare. La nivelul aplicațiilor sunt
prezente servicii de autentificare, autorizare, confidențialitate și integritate a datelor, antivirus, audit de
securitate iar l a nivelul rețelei securitatea se referă la autorizare, autentifi care, protecție a datelor,
comenzilor și semnalizărilor iar la nivelul fizic la autorizare, autentificare, controlul integrității
elementelor, controlul accesului. Pe lângă aceste elemente generale sunt prezente și elemente
particulare , determinate de fu ncțiile sistemului.

2.1.3 Calculul ubicuu

Calculul ubicuu (pervaz iv, care este pr ezent peste tot) definește conceptul prin care orice
dispozitiv, din orice loc sau în orice format poate fi dotat cu capacitate de calcul , permițând o
interacțiune naturală a omului cu sistemele de calcul . Principalele caracteristici ale calculului pervaziv
au fost sintetizate de către T. Kimberg și A. Foxx în lucrarea „System software for ubiquitous
computing” [3], fiind considerate ca puncte de re ferință integrarea fizică și interacțiunea spontană .
Integrarea fizică presupune integrarea dintre elementele de calcul și elementele fizice ale
mediului înconjurător
Din punct de vedere al interacțiuni i spontane, aceasta vizează schimbul de informații d intre
componentele sistemului ubicuu în cazul modificării parametrilor de mediu. Componentele pot să își
modifice identitatea și funcționalitatea în funcție de circumstanțe sau își pot schimba partenerii de
comunicație, fără a fi nevoie de componente softw are sau parametrii noi.
Dezideratele de integrare fizică și interacțiune spontană au implicații majore în infrastructura
software. Această componentă trebuie să asigure adaptabilitatea la mediu, scalabilitatea,
interoperabilitatea , toleranța la erori, se curitatea. Toate aceste caracteristici trebuie realizate ținând cont

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
17 de resursele disponibile care pot fi în multe cazuri foarte limitate și foarte dinamice. Condițiile de mediu
care pot fi inclusiv greu predictibile au o influență importantă asupra compon entei software a sistemului
ubicuu.
Caracteristicile principale ale calculului ubicuu, așa cum sunt definite în [3] sunt:
– descoperirea și interac țiunea
– adaptarea
– integrarea
– mediul de programare
– robustețea
– securitatea.
a. Descoperirea și interacțiunea
Calculul pervaziv tin de să se dezvolte spontan, î ntr-un anumit interval de timp, pe măsură ce
în mediul respectiv sunt introduse noi ele mente posibil de a fi integrate, în timp adoptându -se diverse
moduri de utilizare a compo nentelor. Extensibilitatea este o caracteristică importantă a unui astfel se
sistem.
Interac țiunea spontană asigură interacțiunea obiectelor pe termen scurt și contribuie la
realizarea unor obiective predictibile.
Descoperirea și interacțiunea presupune stabilirea parametrilor de comunicații, descoperirea
serviciilor și interacțiunea. Stabilirea parametrilor de comunicație are ca rol asigurarea elementelor
necesare pentru ca un obiect să poată comunica în cadrul unui sistem pervaziv. Descoperirea servici ilor
implică localizarea unui serviciu care necesită o nouă componentă iar interacțiunea asigură schimbul
de informații pentru a contribui la realizarea scopului propus.

b. Adaptarea
Într-un mediu ubicuu, există o mare va rietate de dispozitive hardware, cu r esurse de calcul
limitate sau dinamice. Elementele tind să fie de dimensiuni mici și să fie auton ome energetic, ceea ce
adaugă noi constrângeri din punct de vedere al resurselor. Adaptarea în aceste condiții se referă la
modul de realizare a sarcinilor s istemului luând în considerare toate aceste date, fără intervenție umană .
Adaptarea trebuie să aibă loc atât din punct de vedere al conținutului cât și din punct de vedere al
interfeței cu utilizatorul

c. Integrarea
Pentru a se putea realiza integrarea dintr e mediul de calcul (virtual) cu cel fizic sunt necesare
atât interfețe de nivel scăzut care permit interacțiunea software -ului cu senzorii și elementele efectoare
cât și medii de programare de nivel înalt care permit interacțiune a cu mediul real într-un mod natural .

d. Mediul de dezvoltare
Un mediu de dezvoltare pentru calculul pervaziv trebuie să aibă în vedere caracteristicile
domeniului din punct de vedere al aplicațiilor, al sistemelor de operare și al limbajelor de programare.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
18 Ca urmare a ev oluției permanente și accelerate a tehnologiilor este ne voie de dezvoltarea de
mecanisme de integrare a software -ului și hard ware -ului de diferite generații, ceea ce conduc e la o
interconectare mai puțin strânsă între componente dar la o mai ușoară integra re a lor și o scalare simplă
a sistemului. Din punct de vedere al implementării suportului pentru calcul ubicuu, acesta poate fi la
nivel de sistem de operare, la nivel middleware (nivelul dintre sistemul de operare și aplicații) sau la
nivel de aplicații.

e. Robustețea și toleranța la erori
Sistemele pervazive, datorită caracteristicilor ( heterogenitate , comunicații cu/fără fir, mediu
variabil, etc.) sunt expuse erorilor , cauzele acestora putând fi atât hardware cât și software.
Într-un sistem ubicuu, existența numeroaselor erori tranzitorii este o stare de funcționare
normală (comunicațiile wireless pot fi afectate de interferențe, autonomie energetica limitată produce
nefuncționarea sau funcționarea parțială a unor elemente, erorile de implementare a diferitelor
componente software afectează starea de funcționare ). Această stare de fapt conduce la n ecesitatea de
a fi dezvoltate mecanisme prin care în orice moment sistemul să poată recupera resursele pierdute cu
păstrarea caracteristicilor funcționale .

f. Securitatea
Calculul ubicuu implică cerințe de securitate specifice din punct de vedere al resurselor și
utilizatorilor. Dacă calculul mobil este expus vulnerabilităților inerente utilizării rețelelor fără fir, în
cazul integrării ș i interoperabilității spontane sunt necesare noi modele de asigurare a securității.
Nivelul de î ncrederea este o pr ovocare atunci când este vorba de sisteme pervazive ca urmare a
asocierii spontane de elemente pentru care nu există informații apriori. Utilizatorul trebuie să își
stabilească propriul nivel de încredere, existând mecanisme de asigurare a securității în acest sens (chei
criptografice, canale de comunicații pe distanțe foarte scurte, etc.).
În cazul componentelor cu resurse limitate , protocoalele de securitate sunt dific il sau imposibil
de implementat pentru că r esursele de calcul sunt minime iar cantitatea de date transmisă trebuie
limitată pentru a se asig ura un consum minim de energie. Orice protocol de securitate presupune
introducerea unei cantități de date suplimentare necesară operațiunilor de autentificare și calcule și date
suplimentare pentru o eventuală criptare/decriptare.
Autentificarea utilizato rilor este altă problem ă în cazul sistemelor pervazive pentru că
interoperabilitatea simultană presupune un flux de utilizatori și dispozitive care apar și dispar în mod
continuu, ceea ce necesită autentificare dependentă de sistem.
Integrarea fizică are i mplicații inclusiv asupra securității, localizarea utilizatorului avân d
implicații asupra intimității î n cazul autentificării bazate pe locație, sistemul s tabilind localizarea unei
componente fizice ca și criteriu pentru oferirea de servicii .

2.1.4 Calculul mob il

Conceptul de calcul mobi l se referă la interac țiunea om-calculator, în care elementul de calcul
este transportat în m od natural, oferind în acelaș i timp diverse servicii )transmisii de date, voce, video,
autentificare, etc.)

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
19 Dimensiunile calculului m obil au fost reprezentate (Fig.6.) de Reza B’Far în lucrarea „Mobile
computing principles. Designing and DevelopingMobile Application using UML and XML” :
– Aria geografică
– Calitatea serviciilor conexiunii la rețea
– Resursele limitate ale dispozitivelor
– Resurse energetice limitate
– Suportul pentru o mare varietate de interfețe cu utilizatorul
– Proliferarea platformelor
– Tranzacțiile active

Figure 6 Dimensiunile calculului mobil (B'Far, 2005)

a. Aria geografică

Schimbarea ariei geografice este o caracteristic ă de bază a calculului mobil cu implicații
importante asupra hardware -ului și software -ului utilizat, localizarea și detectarea locației fiind
caracteristici care intervin în funcționarea echipamentelor mobile.
Din punct d e vedere al localizării, aceasta se referă la abilitatea aplicațiilor de a oferi facilități
diferite în funcție de zona geografică în care se află echipamentul.
Detectarea locației este caracteristica echipamentului de a obține informații de localizare în
timpul utilizării și de a modifica parametrii de funcționare hardware/softwar e în funcție de datele
obținute și se referă atât la localizarea efectivă cât și la poziția relativ ă față de un anumit punct, fiind
utilizate tehnici de triangulație, de analiză a proximității, etc.

b. Calitatea serviciilor
Mobilitatea presupune pierderea conectivității permanente la rețea, cu implicații importante
asupra calității serviciilor. Aplicațiile care rulează în acest mediu trebuie să funcționeze normal atât în
cazul deconectării de la rețea cât și în cazul conectării/deconectării frecvente și cum să își continue
activitatea după restabilirea conexiunii.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
20 Datele oferite de provider referitoare la calitatea se rviciilor (lățime de bandă disponibilă, risc
de pierdere a conexiunii, diverse statistici) pot fi utilizate de aplicații pentru a -și modifica di namic
parametrii de funcționare prin autoadaptarea la condițiile existente la un moment dat.

c. Resursele limitate ale dispozitivelor
Dimensiunile fizice limitate impun constrângeri din punct de vedere al resurselor
echipamentelor mobile, care se reflectă direct asupra aplicațiilor. Pentru a putea fi utilizate pe mai multe
platforme hardware cu diferite configurații, software -ul utilizat va trebui să minimizeze resursele de
care are nevoie și să fie capabil să ruleze pe maimulte tipuri de platforme, de firmware -uri sau de
sisteme de operare .

d. Resursele energetice limitate
Constrângerile referitoare la cantitatea de en ergie disponibilă sunt importante în cazul
echipamentelor mobile, unde, de obicei, sursa de energie este cea mai voluminoasă componentă a
acestora. Resursele limitate din acest punct de vedere au determinat atât dezvoltarea de funcții de
management a ene rgiei incluse în sistemul de operare sau în componentele hardware, cât și
minimizarea resurselor utilizate de aplica ții și optimizarea componentelor hardware (procesoare cu
consum mic, pierderi minime prin căldură, etc.).
Întrucât conexiunea radio este un mare consumator de energie, sistemul de operare are incluse
facilități de optimizare a transmisiilor de date în funcție de utilizarea dispozitivului.

e. Suportul pentru o mare varietate de interfețe cu utilizatorul
Tipul de interfață este influențat în mod direct de suportul hardware oferit de elementul mobil, de
modul și de condițiile în care este utilizat. Proiectarea și implementarea aplicațiilor pentru calculul
mobil este dependentă de găsirea unei interfețe cu utilizatorul optime, de stabilire a ar hitecturii
sistemului în funcție de aceasta și de a o implementa și modifica dinamic, în funcție de cerințe.
Ca urmare a dezvoltării de noi tehnologii și de apariție a noi cerințe din partea utilizatorilor,
interfețele au mai mult o dezvoltare speculativă , bazată pe elemente de noutate și de ergonomie. Este
dificilă stabilirea de predicții pe termen lung referitoare la mecanismele de intrare/ieșire ale unui sistem ,
atât din punct de vedere hardware cât și software .

f. Proliferarea platformelor
Apariția unei mari varietăți de platforme software a avut un impact important în arhitectura,
design -ul și dezvoltarea aplicațiilor mobile. Dacă inițial platformele proprietare au avut o pondere
importantă în calculul mobil, în momentul actual platformele open -sourc e sunt din ce în ce mai utilizate .
Aplicațiile tind spre o independență față de sistemul de operare și componenta hardware
(aplicații cross -platform, multiplatform, independente față de platforme), prin utilizarea unui nivel
intermediar între sistemul de op erare și aplicație, oferit de diverse mașini virtuale.

g. Tranzacțiile active
Calculul mobil, ca urmare a interacțiunii om -calculator este caracterizat prin tranzacții active,

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
21 acele tranzacții care sunt inițiate de sistem. Dacă în cazul unui sistem de calcul clasic, interacțiunea cu
utilizatorul este cu precădere inițiată de utilizator, în cazul calculului mobil interacțiunea poate fi
inițiată, ca urmare a producerii unor evenim ente, de către sistem. Tranzacțiile pot fi atât sincrone, cât
și asincrone.

2.1.5 Calculul raportat la context (Context aware computing)
Calculul raportat la context este caracterizat de proprietatea dispozitivelor mobile de realiz a
anumite procese în fu ncție de contextul existent la un moment dat.
Definiția raportării la context a fost analizată și sintetizată de A.Dey și G.Abowd în
„Towards a Better Understanding of Context and Context -Awareness ” [4]. Astfel,
„un sistem este raportat la context dacă utilizează contextul pentru a oferi utilizatorului informații
relevante și/sau servicii, unde relevanța este raportată șa cerințele utilizatorului.” [4].
Contextul este definit ca „orice informați e care poate fi utilizată pentru a caracteriza o situație
sau o entitate. O entitate este o persoană, un loc sau un obiect, relevantă pentru interacțiunea dintre un
utilizator și o aplicație, incluzând utilizatorul și aplicația în sine”. [4].
Ca și caracteristici, din punct de vedere al autorilor, aplicațiile raportate la context trebuie să
suporte prezentare, execuție și etichetarea.
Referitor la prezentare , contextul poate fi utilizat pentru a decide când o informație sau un
serviciu sunt prezentate utilizatorilor.
Execuția se referă la faptul că anumite activități efectuate sunt raportate la evenimente,
localizare geografică, informații relevante, etc., fiind raportate practic la context.
Etichetarea presupune ca informațiile (generate de software, colectate de senzori, introduse de
utilizator) trebuie să fie completate cu informații referitoare la contextul în care au fost obținute pentru
a putea fi utilizate în cadrul context -aware computing.
Din punct de veder e al tipului, există contexte primare și secundare. Cele primare sunt timpul,
locația, identitatea, activitatea (când, unde, cine și ce) iar cele secundare sunt cele care pot fi identif icate
cu ajutorul celor primare, m ai precis, un context primar este ac ela care generează informații fără a
utiliza un alt context și fără a efectua vreo operație asupr a datelor achiziționate de senzo ri. Implicit,
contextele secundare sunt acelea care pot fi generate efectuând diverse operații asupra contextelor
primare.
Calculul contextual asigură o interactivitate naturală a tehnologiei cu utilizatorul. Această
interacțiune a fost stabilită în [5] a fi de trei tipuri:
– Personalizarea, în cadrul căreia utilizatorul își setează singur preferințele
– Raportarea pasivă la context în cadrul căreia sistemul monitorizează mediul și oferă
utilizatorului opțiuni care pot fi sau nu validate
– Raportarea activă la context, în care sistemul monitorizează în permanență mediul și efectuează
în mod autonom anumite s arcini.
Din punct de vedere arhitectural, un sistem de calcul raportat la context conține

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
22 etapele de achiziție a informațiilor, de prelucrare a acestora și de efectuare de operații în funcție de
datele obținute și de condițiile de mediu existente. În [6] aceste etape sunt descrise ca formate din 5
nivele(Fig.7.).

Figure 7 Arhitectura unui sistem raportat la context
La nivel de senzori (atât biologici cât și non -biologici), datele sunt achiziționate din mediu,
acestea fiind transmise prin diverse medii de comunicații sub formă brută. La nivelul de prelucrare,
aceste date sunt preluate de la senzori, prelucrate, sunt eliminate erorile și sunt atașate informații
referitoare la context. Nivelul aplicațiilor utilizează aceste date pentru a efectua diferite operații sau
pentru a la transfera în vederea valorificării unitare, prin completare cu alte date obținute din alte surse .

2.1.6 Rețele de senz ori wireless

Conceptul se referă la o sumă de elemente de calcul utilizate pentru monitorizarea parametrilor
unei anumite arii g eografice.
Oricare ar fi aplicațiile acestora, majoritatea senzorilor au un număr de caracteristici comune:
autonomie în funcționare, dimensiuni minime, consum mic de energie, cost scăzut.
Din punct de vedere constructiv, rețelele de senzori (WSN) sunt formate din senzori/elemente
efectoare, elemente de prelucrare a datelor, de stocare, modalități de alimentare cu energie electrică.
Ca obiective de dezvo ltare, rețelele de senzori trebuie să fie formate din elemente de mici dimensiuni,
cu consum mic de energie, să funcționeze în o are varietate de condiții, să fie flexibile din punct de
vedere funcțional ) reconfigurabile, reprogramabile), să accepte elemen te heterogene și să ofere
elemente de securitate.
Din punct de vedere al structurii un ei rețele wireless, ea este concepută după modelul O .S.I. [7]:

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
23
Figure 8 Nivelele WSN
Nivelul fizic asigură interfața de transmisie a datelor în mediul fizic.
La nivelul legătură de date are loc detecția și corecția erorilor precum și managementul fluxului
de date
Nivelul de rețea asigură rutarea datelor în cadrul rețelei de senzori. Întru cât senzorii prezintă o
mulțime de limitări hardware, acest nivel își realizează funcțiile în condițiile unei cantități limitate de
memorie și cu constrângeri referitoare la energia consumată.
Nivelul transport asigură controlul congestiilor și fiabilitat ea transmisiunilor. Are o importanță
mare în cazul în care sistemul este nevoit să acceseze alte rețele , asigurând funcții de gateway .
Nivelul aplicație are implementate mecanisme de management al traficului și asigură interfața
cu aplicații cu ajutorul unei mari varietăți de protocoale , majoritatea adaptate pentru consum minim de
energie .
În afară de acestea, mai există 3 nivele care au funcții implem entate în cele prezentate anterior,
de management al energiei, al conexiunilor și al proceselor.
Nivelul de management al energiei asigură consumarea unei cantități minime de energie pentru
achiziția, prelucrarea și transmiterea datelor.
Nivelul de management al conexiunilor are ca scop configurarea -reconfigurarea senzorilor
pentru a stabili sau a menține fun cționarea rețelei.
Nivelul de management al proceselor este responsabil cu distribuția sarcinilor pentru a asigura
eficiența energetică și prelungir ea duratei de funcționare a senz orilor.
Din punct de vedere structural, componenta principală a unei WSN est e nodul. Acesta este
format dintr -o interfață radio, senz or/senzori, sursă de energie și un element dotat cu capacitate de
calcul (microprocesor, microcontroller , DSP, etc.)
Referitor la tehnologiile de acces la infrastructura de comunicații, ele sunt dire ct determinate de
aplicațiile rețelei de senzori, putând avea dimensiuni de la de ordinul metrilor la mai mulți kilometri ,
pe baza funcțiilor care trebuie îndeplinite de rețea și de dimensiunile zonei supuse monitorizării .
Ca topologie, o rețea wireles s de senzori este formata dintr -un număr de noduri cu capacitate
de autoorganizate, con ectate printr -un gateway la o rețea de comunicații. La implementare, inițial, după
se senzorii au fost distribuiți în mediu, aceștia își comunică starea și recepționează același fel de

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
24 informații de la senzorii adiacenți. Urmează faza de conectare într -o rețea și, în final de calculare a
rutelor în vederea transmiterii informațiilor achiziționate. Fiecare nod are capacitatea de transmitere și
recepție de date . Întrucât senzo rii sunt de cele mai multe ori autonomi din punct de vedere energetic,
rețeaua și rutele nu sunt fixe, ele suferind transformări în timpul funcționării, ca urmare a apariției și
dispariției unor noduri componente și pentru minimizarea energiei consumate.
Datorită acestor caracteristici, rețelele WAN sunt caracterizate prin autoorganizare,
autoadaptare, existența resurselor limitate de energie și instabilitatea structurii de comunicații.
Modalitatea de realizare a comunicației în cadrul unei WSN reprezintă una din principalele
constrângeri care apar în cadrul acestor aplicații. În funcție de dimensiune și necesarul de bandă de
comunicații, se pot întâlni rețele W LAN(wireless local area network ), WMAN(wireless metropolitan
area network ), WPAN(wireless pers onal area network ) sau WWAN(wireless wide area network ).
Din punct de vedere al tehnologiilor noi de comunicație care oferă o lățime extinsă de bandă de
comunicații, ele nu reprezintă o soluție care să asigure funcționarea unei rețele WSN datorită condițiilor
de mediu (interferențe electromagnetice, resurse radio minime), datorită necesității de operare în timp
real și a constrângerilor referitoare la cantitatea de energie disponibila.
Numărul mare de noduri, cantitatea de date achiziționate și tran smise, scalabilitatea, mediul
înconjurător, tipul aplicațiilor, eterogenitatea componentelor sunt provocări care direcționează evoluția
și aplicabilitatea rețelelor WSN.
Aplicațiile WSN se adresează atât domeniilor în care timpul real este o cerință majoră cât și
domeniilor care necesită inclusiv funcționare offline. În marea majoritate, WSN sunt utilizate pentru
achiziția, prelucrarea și transmiterea informațiilor atât pentru analiza online cât ți pentru cea offline .
Dimensiunea este de obicei limitată iar cerințele referitoare la întârzieri sunt minime, sistemul fiind
optimizat pentru fiabilitate și consum minim de energie. Necesitatea de monitorizare și analiză în timp
real și aria geografică mare modifică constrângerile din punct de vedere al parametrilo r comunicațiilor
și al modului de realizare a conexiunilor, implicând adoptarea și dezvoltarea de noi tehnologii în acest
domeniu.
Ca urmare a posibilității de a monitoriza medii, procese, activități, rețelele de senzori wireless
sunt în continuă dezvoltar e și, ca urmare, și canti tatea de date achiziționate, care necesită prelucrare,
stocare și analizare. Heterogenitatea echipamentelor, atât senzori, cât și elemente de prelucrare a datelor
și de comunicații implică stabilirea și respectarea standardelor pentru a asigura o funcționare corectă
și predictibilă.
Arhitectura este determinată atât de tipul de mediu în care este implementat ă rețeaua, cât și de
cerința de a funcționa în t imp real, de numărul de noduri și de parametrii radio existenți (distanța dint re
noduri, interferențe electromagnetice) .
Securitatea unei rețele de senzori wireless este u n compromis între funcționare a sigură și
vulnerabilitățile implicate de comunicațiile radio, de capacitatea de calcul și resursele finite de energie.
Mai mult, re țelele WSN sunt implementate inclusiv în zone accesibile, cu implicații importante din
punct de vedere al securității. Pentru a asigura dezvoltarea unui sistem sigur, elementele de securitate
sunt integrate în fiecare componentă a sistemului și în fiecare etapă de dezvoltare , deciziile în acest
send fiind de obicei adoptate după o etapă de analiză a riscurilor .

2.1.7 Smart -dust

Conceptul „smart -dust” presupune un sistem distribuit de elemente microelectromecanice

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
25 (MEMS) care detectează anumite condi ții din mediul înconjurător , fiind practic o particularizare a
rețelelor de senzori wireless.
Această tehnologie este o combinație miniaturală de senzori, elemente de calcul, elemente de
comunicație și sursă de energie. Componentele se doresc a fi atâ t de ușoare si cu dimensiuni atât de
reduse astfe l încât să poată rămâne suspenda ta în mediu. Particulele respective poartă și denumirea de
„motes”.
Concepția hardware a elementelor este o provocare datorită dimensiunilor, fiind necesară
integrarea tehnol ogiilor c are să permită miniaturizarea și consumul foarte redus de energie. Este
imposibil să fie implementate elemente radio care să fie compatibile cu tehnologiile cele mai răspândite
datorită consumului mare de energie și a nece sității de a utiliza ante ne de m ari dimensiuni. Ca urmare,
este nevoie ca senzorii să conțină tehnologii adaptate pentru a respecta constrângerile.
Cea mai mare componentă a unui astfel de senzor inteligent este sursa de energie. Din acest
motiv, este important ca energia consumată să fie minimă pentru a putea respecta cerin țele de
autonomie și miniaturizare, d ezideratul fiind de a alătura senzori, el emente de cal cul și de comunicație
în device -uri de ordinul milimetrilor care să formeze baza unei rețele masive de senzori .
În mod uzual , componentele rețelei folosesc comunicații radio pe distanțe scurte pentru a
transmite datele, ceea ce favorizează mi nimizarea și consumul redus de energie. Mesajul este transmis
între elemente adiacente, până la destinație.
Din punct de vedere al fiabilității, dat orită numărului mare de senzori, o rețea astfel construită
își îndeplinește sarcinile chiar și în condițiil e dispariției unor rute.
Când un senzor este adăugat în rețea, acesta se adaptează pentru a interacționa cu ceilalți iar
când un senzor nu mai funcționează, cei adiacenți îi preiau funcția.
Elementele software incluse în mots sunt responsabile de activit atea acestuia, de management
al energiei și de comunicații în rețeaua astfel construită.

Limitările și tendințele de evoluție ale tehnologiei în acest domeniu sunt:
– Deoarece bateriile nu sunt de obicei reîncărcabile , nodurile devin nefuncționale după epu izarea
resursei energetice
– Datorită duratei de viață finite, nodurile nu pot fi unic adresate prin identificatori globali
– Datorită resurselor energetice și a constrângerilor referitoare la dimensiuni, resursele de calcul,
de achiziție de date și comunicați i sunt minime
– Elementele smart -dust sunt specializate, în consecință vor oferi rezultate bune în condițiile
pentru care au fost proiectate
– Rețelele formate sunt dinamice, funcționarea acestora nefiind uniformă
– Pentru a fi eficiente energetic, noile tehnolo gii trebuie adaptate pentru funcționare cu astfel de
constrângeri.
– Dimensiunile reduse ale nodului implică dimensiuni reduse ale componentelor acestuia,
inclusiv a senzorilor. Capacitatea de detectare a unui senzor este direct propor țională cu
dimensiunea acestuia, deci cu cât sunt mai mici, cu atât este necesară creșterea sensibilității.
Totodată, dimensiunile sunt date de limitările tehnologice existente la momentul producerii
elementelor component e.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
26
2.1.8 Ambient intelligence

Conceptul se refera la mediul electronic ce interacționează activ omu l fiind prezent în
activitățile zilnice ale utilizatorului în mod natural. Inteligența ambientală este o combinație de calcul
pervaziv, calcul raportat la context, internet of things, toate raportate la comportamentul uman.
Caracteristicile acestui concept au fost identificate în [8] ca fiind:
– Integrarea – prin plasarea la scară largă de elemente de calcul dedicate în mediul înconjurător
– Raportarea la context – prin identificarea ut ilizato rului, locației și contex tului pent ru a desfășura
activități adapta te la acestea
– Adaptarea – prin învățare
– Anticiparea – prin urmărirea scopului .
Din punct de vedere al arhitecturii, în [9] autorul propune o arhitectură generic ă pentru un sistem
de inteligență ambientală:

Figure 9 Arhitectura generică pentru un sistem de inteligență ambientală [9]

Caracteristica de bază a inteligenței ambientale este capacitatea de a acționa în favoarea
utilizatorului, în mod autonom. Pentru aceasta, sistemul trebuie să fie capabil să învețe și să recunoască
activități din analiza datelor achiziționate din mediu și prin gruparea acestora (clusterizare) în funcție
de tipul de activitate descris.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
27 Deoarece elementele de inteligență ambientală sunt plasate în mediu, datele achiziționate și
prelucrate de acestea trebuie să fie raportate la context, iar sistemul trebuie să fie capabil să îl detecteze
și să îi anticipeze dinamica .
Acest model de funcționare plasează inteligența ambientală la intersecția mai multor domenii:
inteligența artificială, interacțiunea om -calculator, calcul pervaziv, comunicații, senzori/elemente
efectoare și are la bază etape de învățare/validare, de adaptare la fact orul uman .

2.1.9 Virtualizarea

Virtualizarea are ca scop crearea unei versiuni virtuale a unei resurse. Aceasta poate fi element
hardware, element software (aplicație sau sistem de operare) , spațiu de stocare, rețea de comunicații.
Interacțiunea cu resursele virtuale trebuie să fie identică cu interacțiunea resurselor respective reale. În
toate tehnologiile de virt ualizare există un nivel de abstractizare între resursele reale și utilizator, care
are rolul de a realiza toate roluril e entității fizice fără ca aceasta să fie prezentă.
Din punct de vedere al avantajelor, virtualizarea oferă flexibilitate întrucât resursele virtuale sunt
ușor de manipulat, consolidarea infrastructurii (pe același suport hardware pot exista mai multe
comp onente virtuale) precum și securitate. Ca dezavantaje, în cazul defectării componentelor hardware
sau software care susțin funcționarea elementelor virtuale, impactul este major, sunt necesare resurse
hardware și software suplimentare, crește complexitatea în cazul depanării, sunt introduse noi
instrumente de management.

a. Virtualizarea hardware

Virtualizarea hardware se referă la abstractizarea resurselor hardware de cele software. Dacă în
cadrul unui mediu fizic tradițional resursele software au acces di rect la cele hardware, în mediul virtual
resursele software accesează resursele hardware printr -un nivel intermediar, numit hypervisor.

Figure 10 Virtualizarea hardware
Avantajele virtualizării hardware constau în faptul că se pot crea mai multe entități numite
mașini virtuale cu diverse sisteme de operare pe aceea și platformă fizică, poate fi realizat
managementul mai multor servere fizice cu o singură aplicație, asigură optimizarea funcționării
hardware prin distribuirea dina mică a resurselor.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
28 Virtualizarea hardware poate fi completă (Full virtualization), poate fi paravirtualizare, sau
virtualizare asistată hardware.
Virtualizarea completă este tipul de virtualizare în care sistemul de operare rulează nemodificat
utilizând hardware -ul virtual. La nivel de utiliz ator, este transparent hardware -ul fiz ic, fiind prezentat
cel virtual. O astfel de virtualizare p ermite partajarea sistemului de calcul între mai mulți utilizatori,
realizează izolarea între aceștia și optimizează fun cționarea componentelor fizice.
Paravirtualizarea este tipul de virtualizare în care sistemul de operare utilizează componente
software specifice pentru a putea rula pe hardware -ul virtual. Sunt utilizate mai puține resurse hardware
decât im cazul virtual izării complete.
Virtualizarea asistată hardware este tipul de virtualizare în care sistemul de operare utilizează
funcții specifice implementate la nivel hardware, acestea oferind o funcționare performantă a
aplicațiilor.

b. Virtualizarea aplicațiilor

Virtualizarea aplicațiilor presupune izolarea programelor de sistemul de operare pe care sunt
executate, prin existența unui nivel intermediar, nivelul de virtualizare, între sistemul de operare
și aplicație.
Din punct de vedere al implementării, virtuali zarea aplicațiilor poate de tipul:
– Application streaming – în care componentele necesare aplicației (date, parametrii de
funcționare , etc.) sunt furnizate în momentul în care sunt necesare
– Remote desktop – este de fapt virtualizarea prezentării, aplicația rulând pe o altă resursă
hardware decât pe cea pe care este prezentată
– Desktop virtualization – în care întreg desktopul sau părți din acesta este separat de elementul
de calcul fizic care este utilizat pentru a -l accesa.

Figure 11 Virtualizarea aplicațiilor

Ca avantaje , virtualizarea aplicațiilor permite rularea acestora în alte medii decât în cele în care
sunt native, reduce complexitatea în cazul migrării la alte sisteme de operare, folosește mai puține
resurse decât în cazul folosirii mașinilor virtuale, reduce complexitatea administrării și integrării.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
29 Din punct de vedere al limitărilor, nu orice a plicație poate fi virtualizată ș i de obicei sunt necesare
mai multe resurse (atât cele pentru aplicație cât și cele pentru servici ul de virtualizare) .

c. Virtualizarea spațiului de stocare

Virtualizarea spațiului de stocare presupune gruparea mai multor resurse de stocare din
cadrul unei rețele într -o singură entitate care este prezentată ca un spațiu de stocare continuu. Această
virtualizare poate fi realizată la nivel de bloc de date sau la nivel de sistem de fișiere.
În cadrul virtualizării la nivel de bloc de date, aceste blocuri pot fi controlate ca și volum de
date, făcând abstracție de sistemul de fiș iere, fiecare dintre ac este blocuri putând fi formatat cu propriul
sistem de fișiere. Acest mod de virtualizare oferă performanțe mai bune decât virtualizarea la nivel de
sistem de fișiere, fiecare bloc de date poate fi tratat ca un element hardware de stocare de sine stătător
și formatat în consecință , este ușor scalabil.
În cazul virtualizării la nivel de sistem de fișiere, spațiul de stocare este configurat cu un
protocol (de exemplu NFS) iar fișierele sunt stocate și accesate din acest loc.
Avantajele virtualizării la nive l de sistem de fișiere sunt constituite din faptul că este ușor de
implementat, fișierele sunt vizibile, putând fi accesate din mai multe sisteme de operare, costurile
implementării și întreținerii sunt mici.

d. Virtualizarea rețelei

Virtualizarea rețelei implică crearea unei infrastructuri logice de comunicații, separată
de infrastructura hardware de bază a rețelei, dar utilizând echipamentele fizice componente ale acesteia.
Virtualizarea rețelei se poate realiza prin tehnologii SDN (Software Defined Networking) sau
prin tehnologii NFV(Network Functions Virtualization).
NFV oferă un mod de dezvoltare și management al serviciilor de rețea având ca scop
optimizarea acestora prin decuplarea dintre hardware și software, flexibilizarea i mplementării funcțiilor
de rețea și operarea în mod dinamic, în funcție de dinamica rețelei.
ETSI, prin „Network Functions Virtualisation(NFV) – Architectural Framework” (ETSI GV
NFV 002 V1.1.1 (2013 -10)) a sintetizat un set de directive de standardizare pentru implementarea
NFV. Arhitectura de referință propusă este prezentată în figura următoare:

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
30
Figure 12 Arhitectura de referință NFV [10]

În cadrul arhitecturii de referință, VNF (Virtual Network Functions) sunt funcțiile virtuale
implementate în cadrul rețelei reale existente . EMS (Element Management S ystem) efectuează
managementul funcționat pentru unul sau mai multe VNF -uri.
Infrastructura VNF este formată din elementele hardware și software care compun medi ul în
care VNF este implementat și poate fi distribuită, în funcție de întinderea geografică a rețelei.
Virtualizarea realizează decuplarea software -ului VNF de hardware, asigurând independența
față de resursele fizice. Nivelu l de virtualizare asigură:
– abstractizarea și partiționarea logică a resurselor fizice
– permite VNF să utilizeze resursele virtuale
– oferă resursele virtuale în funcție de necesități.
Managerii infrastructurii virtuale (VND Managers) asigură administrar ea resurselor existente și
operații de colectare de informații referitoare la utilizarea resurselor, la starea elementelor componente,
precum și analiza performanțelor NFV din punct de vedere al infrastructurii.
Orchestratorul este responsabil cu sincroniz area funcționării și managementul infrastructurii
NFV și a resurselor software pentru funcționarea optimă a serviciilor de rețea.
Managerii VNF (VNF Managers) asigură administrarea elementelor VNF (adresare, update,
distrugere, etc.)
SDN (Software Defined Networking) presupune abordarea administrării rețelei prin decuplarea
nivelului care decide unde este rutat traficul(Control Plane) de nivelul care se ocupă de trimiterea

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
31 traficului spre destinație(Data Plane), în acest fel fiind administrată rețeaua prin funcții de nivel înalt.
Dacă în cazul abordării tradiționale, Control Plane și Data Plane coincid, în cazul SDN cele două
niveluri sunt independente.

Figure 13 Arhitectura tradițională a rețelei

Figure 14 Arhitectura unei rețelei SDN

O arhitectură SDN este:
– direct programabilă – controlul rețelei este programabil pentru că este decuplat de funcția de
rutare
– agilă – decuplarea nivelului de control de nivelul de date permite ajustarea dinamică a
parametrilor rețelei în funcție de cerințe
– bazată pe standarde publice – ceea ce simplifică administrarea și permite integrarea simplă a
diverselor elemente hardware dezvoltate de diverși producători
– centralizată din punct de vedere al managementului – controller -ul SDN menține o imagine de
ansamblu a rețelei la un moment de timp dat
– configurabilă software – permite administrarea, configurarea, optimizarea în mod direct pri n
componente soft ware de cătra administratori.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
32 SDN a apărut ca o evoluție normală a rețelelor clasice, ca urmare a direcțiilor de dezvoltare a
sistemelor informatice și a noilor cerințe din punct de vedere al traficului de date. Schimbarea pattern –
ului de trafic, ca urmare a rețelelor dinamice, a conceptului „big data” ce presupune lățimi de bandă
din ce în ce mai mari, a serviciilor cloud au favorizat apariție și dezvoltarea tehnologiei SDN.
Elementul central al acestei arhitecturi este controller -ul SDN, un nivel interm ediar între cel fizic
și cel al aplicațiilor, el realizând abstractizarea nivelului fizic si oferind un set de funcții de nivel înalt
pentru administrare. La interfața dintre nivelul de control și nivelul infrastructurii hardware se află
protocolul care of eră acces la nivelul de rutare al echipamentelor de rețea, în acest moment cel mai
cuno scut fiind protocolul OpenFlow dezvoltat de Open Networking Foundation

Figure 15 Arhitectura SDN

2.1.10 Cloud computing

Cloud computing reprezintă un ansamblu distribuit de servicii de calcul, aplicații, stocare de
date, oferite utilizatorul ui fără ca să fie nevoit să cunoască amplasarea și configuraț ia fizică a
echipamentelor care furnizează aceste servicii. Serviciile sunt organizate ca stivă fiind formată din :
– Software ca serviciu (Software as a Service) (SaaS)
– Platforma ca serviciu (Platform as a Service) (PaaS)
– Infrastructura ca serviciu (Infrastructure as a Service) (IaaS)
Caracteristici le principale ale serviciile oferite în cloud sunt disponibilitatea și scalabilitatea.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
33
Figure 16 Nivelele oferite de cloud -computing

a. Software ca serviciu
Software -ul ca serviciu reprezintă un model de distribuție de software de către un furnizor care
deține aplicația și o pune la dispoziție utilizatorilor printr -o interfață cu ajutorul serviciilor de rețea. În
acest fel utilizatorii nu mai sunt nevoiți să își instaleze aplicația pe propriile echipamente de calcul.
Acest tip de serviciu are o disponibilitate ridicata, deoar ece fiind online poate f i accesat de oriunde
și în orice moment .
SaaS oferă o bună scalabilitate, actualizările sunt efectuate centralizat, în cloud de către providerul
serviciului, utilizatorii nu mai sunt nevoiți să își achiziționeze propriile licențe, plata efectuându -se sub
formă de abonament, în funcție de utilizarea software -ului.
În general aplica țiile sunt distribuite prin intermedi ul Internet -ului cu ajutorul unui browser sau
printr -un client dedicat , în funcție de implementare și drepturile utilizatorului .

b. Platforma ca serviciu
PaaS este un serviciu din cadrul cloud prin care se oferă utilizatorului o platforma pe care acesta
să își poată dezvolta ș i rula propria aplica ție.
Pe o astfel de platforma utilizatorul nu are date referitoare la a rhitectura hardware pe care aplica ția
va rula, sistemului de operare, resursele de stocare sau alte detalii ce țin de infrastructură .
PaaS este o soluție de middleware ce abstractizează toate aceste elemente, oferind utilizatorului o
interfață prin care să își creeze propriile aplica ții fără a avea nevoie de dezvo ltarea și administrarea unei
infrastructuri .
PaaS poate fi oferit ca serviciu public în infrastructura cloud, unde utilizatorul are un set redus de
instrumente de administrare, această activitate fiind efectuată de provider, ca serviciu privat, sau sub
formă de software implementat pe un serviciu Infrastructure as a Service.

c. Infrastructura ca serviciu
IaaS este cel mai de jos nivel din stiva de servicii de tip cloud. Daca la SaaS si PaaS

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
34 elementele de infrastructură nu erau disponibile utilizatorului, în cazul IaaS utilizator ul are acces la
toate acestea. Un serviciu de tip IaaS este o aplica ție de gestiune a unor mașini virtuale, a unei
infrastructuri virtualizate.
Utilizatorului i se oferă la cerere resurse virtual de procesare, de stocare, de rețea, de securitate
precum si aplicații pe baza unei partajări dinamice a resurselor .

Caracteristicile sistemelor cloud:

Un sistem cloud trebuie să fie definit de următoarele caracteristi ci:
– Mobilitatea – accesul la resursele din cloud poate fi făcut de oriunde, cu condiția existenței
accesului la rețea
– Sistemul de „ mulți-închiriere ” permite partajarea resurselor.
– Fiabilitatea este îmbunătățită întrucât se utilizează o resursă virtuală
– Scalabilitate prin modificarea dinamica (la cerere) a resurselor.
– Mentenanta ușoară a aplica țiilor de cloud computing – deoarece aplica țiile nu trebuie sa fie
instalate pe computerul fiecărui utilizator.

Avantajele unei structuri de tip cloud

Scalabilitate

Mediul virtualizat ce operează pe infrastructura sistemelor hardware existent e în cloud asigură
aplica țiilor resursele necesara î ntr-un mod eficient prin modelarea instan țelor de procesare pe baza
necesităa ților acestora. Un sistem cloud asigura faptul ca echipamentul hardware existent funcționează
la randament maxim.

Flexibilitate

Resursele oferite trebuie sa se poată scala cu ușurința în mod automat , la cerere, fără a fi necesară
intervenția utilizatorului și într -un mod transparent pentru beneficia rii serviciilor oferite . Este urmărită
eficiența maximă a utilizării de beneficiarii serviciilor.

Disponib ilitate temporală

Caracteristica p ermite utilizatorului de aplica ții obținerea resursele necesare de calcul, sau cel
puțin poten țialul de a utiliza anumite resurse de calcul, printr -o solicitare înainte de necesitatea utilizării
acestor resurse și punerea la dispoziție a lor conform datelor din solicitare .

Mobilitatea

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
35
Accesul ubicuu se refera la caracteristica cloud computing de a putea acc esa orice resursă
componentă a cloud -ului, de oriunde, cu condiția existenței accesului la rețea.

Virtualizare completă

Indiferent de mărimea scalării modul de utilizare a resurselor oferite trebuie să rămână constant și
uniform .

Dezavantajele unei st ructuri de tip cloud

Asigurarea securității

Daca î ntr-o abordare conven ționala , elementele de calcul sunt separate fizic, î ntr-un sistem
cloud acest avantaj dispare. Separarea logica a entită ților virtuale și mai puțin din punct de vedere fizic
ce stau la baza sistemului are implicații din punct de vedere al securității , la nivelul s oftware -ul de
virtualizare nivelurile de acce s trebuie sa fie clar definite ș i administrate. Vulnerabilitățile clasice sunt
combinate cu vulnerabilități specifice sis temelor ce sunt distribuite și pun în comun resurse, fiind
prezente riscuri ca datele private sa ajungă în zone publice, ca datele să fie alterate sau pierdute, riscuri
referitoare la managementul informațiilor de autentificare, referitoare la interfețe și API-uri puse la
dispoziție de furnizorul de servicii , riscuri referitoare la atacuri sau la abuzul de servicii disponibile
când infrastructura nu asigură un cadru bine definit al drepturilor și provizionarea ineficientă a
resurselor.

Asigurarea resursel or de calcul promise

Deoarece î n sistemul cloud, noțiunea de server fizic dispare, fiind înlocuită de entitatea virtual ă,
de obicei provider ul va trebui să specifice puterea de calcul a unei entități raportate la soluțiile fizice
existente în acel moment . Dezavantajul în acest caz provine din existența a numeroase echipamente cu
caracteristici heterogene , ceea ce generează dificultăți în efectuarea comparațiilor.
Ca urmare a virtualizării, resursele fiind partajate între utilizatori, este necesară existența și
asigurarea unui mecanism funcțional care să asigure oferirea de servicii la un nivel cel putin minim
stabilit iar creșterea numărului de beneficiari ai cloud -ului, cu implicații asupra resurselor utilizate , va
trebui să se regăsească și în dezvoltarea din punct de vedere tehnic.

Toleranț a la defecte – Integritate, Redundanta

În sistemul cloud, toleranța la defecte, atât din punct de vedere al resurselor hardware cât și al
comunicațiilor este efectuată cu ajutorul elementelor software, dispariția anumitor entități fizice având
implicații asupra entităților virtual găzduite pe acestea. Chiar dacă partajarea implică o redundanță
intrinsecă prin alocarea dinamică, existența și funcționarea m ecanismelor de recuperare a datelor ca

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
36 urmare a evenimentelor hardware/software reprezintă o caracteristică importantă a sistemelor de tip
cloud.

Consumul de energie – Minimizarea pierderilor

Întrucât infrastructura cloud este caracterizată de o disponib ilitate ridicată, consumul de energie
este relativ constant. Un software de virtualiza re trebuie sa fie eficient atât din pun ct de vedere al
performantei, cât ș i din cel al consumul ui de energie , întrucât minimizarea acesteia nu poate fi efectuată
prin sim pla oprire a unor elemente fizice din cloud .

3 Optimizarea multicriterială

Optimizarea reprezintă activitatea de selectare din mulțimea soluțiilor posibile ale unei
probleme a acelei soluții care este cea mai bună în raport cu un criteriu predefinit. Dacă o problemă de
optimizare cu un singur obiectiv, presupune identificarea unui vector X care minimizează/maximizează
funcția F(x), cu respectarea unor constrângeri (de inegalitate, de egalitate, de mărginire) , o problemă
de optimizare multiobiectiv este nec esar a fi abordată în mod diferit . În cazul existenței unui singur
obiectiv scopul este de a găsi o soluție c are de obicei este optim global.
În cazul obiective lor multiple , există un set de soluții care îndeplinesc cerințele impuse, iar din
acest set, selecția se fac e după anumite criterii. Mai pre cis, problemele multiobiectiv sunt acelea în care
scopul este de a optimiza k funcții obiectiv, simultan.
Datorită existenței m ai multor deziderate , de multe ori cu tendințe de evoluție opuse, noțiunea
de optim presupune identificarea unei mulțimi a soluțiilor de compromis , dificultatea majoră legată de
problemele multiobie ctiv constând în necomparabilitatea diferitelor soluții id entificate. Pentru a stabili
o relație de ordine în această mulțime, se utilizează optimizarea Pareto.
Soluțiile opt ime în sens Pareto sunt optime î n sens general, deoarece în spațiul soluțiilor nu
există soluții mai bune dacă sunt luate în considerare toa te obiectivele . Optimul Pareto presupune o
relație de dominare în grupul de soluții ale problemei de optimizare multiobiectiv.
Conceptul central al optimizării Pareto este cel de soluție nedominantă. Aceasta este o soluție
care:
– nu este mai puțin bună d ecât celelalte soluții
– este mai bună decât orice altă soluție în raport cu cel puțin una din funcțiile multiobiectiv.
Un sistem informatic este un sistem complex, format din o sumă de elemente de calcul
interconectate printr -o rețea de comunicații iar d e cele mai multe ori, atât elementele de calcul, cât și
rețeaua sunt caracterizate de o mare diversitate . Optimizarea unui astfel de sistem presupune o abordare
multicriterială, determinată de mulțimea de parametrii impuși cât și de constrângerile existent e
referitoare la parametrii de funcționare . Din punct de vedere al elementelor de calcul, optimizarea
presupune abordarea atât a fluxului de prelucr are a datelor cât și a managemen tului alocării resurselor
de calcul și de memorie luând în considerare faptu l că structura sistemului este de multe ori dinamică.
Din punct de vedere al comunicațiilor, funcționarea rețelei este determinată de combinația de
protocoale și strategii de rutare , folosite pentru a asigura transport ul informației între beneficiari . Ca
urmare a dinamici parametrilor rețelelor moderne, o soluție de rutare care este optimă pentru un set de

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
37 parametrii, nu mai este o soluție fezabilă pentru alt set de parametrii. Mai mult decât atât, în cazul
rețelelor cu un grad mare de dinamicitate a lgoritmii clasici de rutare prezintă dificultăți în a găsi soluții
în timp util și cu respectarea calității serviciilor.
Pe lângă acestea, optimizarea presupune nu numai manag ementul inteligent al capacităților
sistemului, cât și implementarea unor algor itmi performanți, adecvați resurselor și cerințelor pe care
vor trebui să le îndeplinească.
Este ușor de observat că în sistemele de calcul moderne, majoritatea problemelor implică
obiective multiple, de multe ori opuse din diverse puncte de vedere , care trebuie îndeplinite ținân d cont
de un număr de condiții .
În general, o problema de optimizate m ultiobiectiv este formată dintr -un număr de parametrii
n care sunt parametrii de decizie, un set de k funcții obiectiv și un număr de m constrângeri. Scopul
optimizării este să găsească maximul funcției

𝑦=𝑓(𝑥)=(𝑓1(𝑥),𝑓2(𝑥),…,𝑓𝑘(𝑥))
referitor la

𝑒(𝑥)=(𝑒1(𝑥),𝑒2(𝑥),…,𝑒𝑚(𝑥))≤0
Unde
𝑥=(𝑥1,𝑥2,…𝑥𝑛)∈𝑋
𝑦=(𝑦1,𝑦2,…𝑦𝑛)∈𝑌
Iar
x=vectorul de decizie
z=vectorul obiectiv
X=spațiul de decizie
Z=spațiul obiectiv

Constrângerea 𝑒(𝑥)≤0 determină setul de soluții fezabile. Acesta este reprezentat de mulțimea
de vectori de decizie x care satisfac constrângerile e(x):
𝑋𝑓={𝑥∈𝑋 | 𝑒(𝑥)≤0}

Imaginea lui 𝑋𝑓 reprezintă regiunea fezabilă în spațiul obiectivelor, fiind descrisă de:

𝑌𝑓=𝑓(𝑋𝑓)=⋃ {𝑓(𝑥)}
𝑥∈𝑋𝑓

Problemele de optimizare multicriterială devin complicate când obiectivele nu pot fi îndeplinite
simultan. În acest caz, soluție este de fapt un compromis.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
38 Dacă pentru o funcție cu un singur obiectiv setul de soluții fezabile este ordonat raportat la funcția
obiectiv, pentru o funcție multiobiectiv setul soluțiilor fezabile este doar parțial ordonat , fiind necesară
specificarea operatorilor =,<,>,≤,≥. Astfe l,

𝑢=𝑣 𝑝𝑟𝑒𝑠𝑢𝑝𝑢𝑛𝑒 𝑐𝑎 ⋁𝑖∈{1,2,…,𝑘} 𝑎𝑡𝑢𝑛𝑐𝑖 𝑢𝑖=𝑣𝑖
𝑢≥𝑣 𝑝𝑟𝑒𝑠𝑢𝑝𝑢𝑛𝑒 𝑐𝑎 ⋁𝑖∈{1,2,…,𝑘} 𝑎𝑡𝑢𝑛𝑐𝑖 𝑢𝑖≥𝑣𝑖
𝑢>𝑣 𝑝𝑟𝑒𝑠𝑢𝑝𝑢𝑛𝑒 𝑐𝑎 ⋁𝑖∈{1,2,…,𝑘} 𝑎𝑡𝑢𝑛𝑐𝑖 𝑢𝑖>𝑣𝑖
𝑢≤𝑣 𝑝𝑟𝑒𝑠𝑢𝑝𝑢𝑛𝑒 𝑐𝑎 ⋁𝑖∈{1,2,…,𝑘} 𝑎𝑡𝑢𝑛𝑐𝑖 𝑢𝑖≤𝑣𝑖
𝑢<𝑣 𝑝𝑟𝑒𝑠𝑢𝑝𝑢𝑛𝑒 𝑐𝑎 ⋁𝑖∈{1,2,…,𝑘} 𝑎𝑡𝑢𝑛𝑐𝑖 𝑢𝑖<𝑣𝑖

Astfel fiind defini ți acești operatori, pentru doi vectori de decizie m si n, referitor la relația de
dominare, exista trei posibilități :

𝑓(𝑚)≥𝑓(𝑛)
𝑓(𝑚)≤𝑓(𝑛)
sau
𝑓(𝑚)≱𝑓(𝑛)∧𝑓(𝑛)≱𝑓(𝑚)

Fiind luate în considerare aceste proprietăți ale rela ției de dominare, pentru doi vectori de decizie
m si n, se poate defini domina ția în sens Pareto astfel:
– m domina n (m ≻𝑛) presupuna ca 𝑓(𝑚)>𝑓(𝑛)
– m domina slab n (m ≽𝑛) presupuna ca 𝑓(𝑚)≥𝑓(𝑛)
– m este indiferent fata de n (m ∼𝑛) presupuna ca 𝑓(𝑚)≱𝑓(𝑛)∧𝑓(𝑛)≱𝑓(𝑚)
– m este dominat de n (m ≺𝑛) presupuna ca 𝑓(𝑚)<𝑓(𝑛)
– m este dominat slab n (m ≼𝑛) presupuna ca 𝑓(𝑚)≤𝑓(𝑛)
Pe baza domina ției Pareto se poate in troduce un criteriu de optimalitate pentru problemele
multiobiectiv. Din acest punct de vedere, vectorul m este optim daca el nu mai poate fi îmbunătățit din
punct de vedere al nici unui obiectiv fără sa se producă o degradare din punct de vedere al altui/ altor
obiective, soluția fiind Pareto optimala. Formal, un vector de decizie 𝑚∈𝑋𝑓 este nedominant referitor
la un set 𝑁⊆𝑋𝑓 daca ∄ 𝑛∈𝑁 𝑎𝑠𝑡𝑓𝑒𝑙 𝑖𝑛𝑐𝑎𝑡 𝑛≻𝑚. În acest context, m este optim Pareto daca m este
nedominat in raport cu 𝑋𝑓 iar toate solutiile Pareto opti male existente re feritor la o problema de
optimiz are multiobiectiv formează setul Pareto optimal corespunzător vectorilor obiectiv din
frontul/ suprafa ța Pareto optimala.
Pe baza relației de dominare se pot defini seturile(fr onturile)nedominate. Func ția 𝑝(𝐴) genereaza
setul de vectori de decizie nedominați î n A, unde 𝐴∈𝑋𝑓:

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
39 𝑝(𝐴)={𝑎∈𝐴| 𝑎 𝑒𝑠𝑡𝑒 𝑛𝑒𝑑𝑜𝑚𝑖𝑛𝑎𝑡 𝑟𝑒𝑓𝑒𝑟𝑖𝑡𝑜𝑟 𝑙𝑎 𝐴}

Setul 𝑝(𝐴) este setul nedominat referitor la A iar setul de vectori obiectiv corespunzatori 𝑓(𝑝(𝐴))
este frontul nedominat referitor la A. Mai mult decât atât, setul 𝑋𝑝=𝑝(𝑋𝑓) este numit setul Pareto
optim iar setul 𝑌𝑝=𝑓(𝑋𝑝) este frontul Pareto optim.
Setul Pareto optim conține și soluțiile optime global dar si optimel e locale, care sunt nedominate
în raport cu o anumita vecinătate a lor. Aceasta corespunde optimelor Pareto locale si globale.
Formal, pentru un set de vectori de decizie 𝐴⊆𝑋𝑓, setul Pareto este optim local daca

⋁𝑎∈𝐴∶ ∄𝑥∈𝑋𝑓∶ 𝑥≻𝑎 ∧ ||𝑥−𝑎||<𝐸 ⋀ ||𝑓(𝑥)−𝑓(𝑎)||<𝛿

pentru ℰ si 𝛿 mai mari decat 0 iar ||.|| este distanta.
Setul A este optim global Pareto daca

∀𝑎∈𝐴∶ ∄𝑥∈𝑋𝑓∶𝑥≻𝑎

În rezolvarea unei proble me de optimizare multicriterială, pot fi identificate două etape: etapa
de căutare și etapa de luare a deciziilor.
Etapa de căutare a soluției este cea î n care setul fezabil este verificat pentru identificarea soluțiilor
Pareto optime. Spatiile de căutare largi ș i complexe fac procesul de căutare dificil si exclud utilizarea
metodelor de optimiz are specifice programării liniare.
Al doilea aspect se referă la selectarea soluției de compromis din se tul Pareto optim, fiind necesară
interven ția operatorului pentru a stabili priorită țile între obiectivele î n con flict.
În funcție de modul în care sunt adoptate deciziile ș i este realizată căutarea în cadrul problemelor
de optimizare multiobiectiv, acestea pot fi împărțite în patru categorii [11]:
– luarea deciziei fără a exista preferin țe din partea utilizatorului , soluția este identificata fără a
exista preferin țe exprimate
– adoptarea deciziei înaintea căutării, obiectivele problemei de optimizare multicriteriala sunt
grupate, ceea ce presupune furnizarea apriori de către operator a unui număr de informa ții
suplimentare referitoare la preferin țe; gruparea mai multor obiective intr -un singur criteriu de
optimizare presupune ca se pot utiliza fără modificări strategii de optimizare pentru optimizare
cu un singur obiectiv
– căutarea înaintea adoptării deciziei, in cadrul căreia optimizarea este efectuata fără a exista
informa ții prealabile referitoare la soluție iar rezultatul căutării este setul de soluții (ideal optime
Preto) din care operatorul trebuie sa selecteze una . Luarea deciziei după realizarea căutării
presupune imposibilitatea realizării unei căutări controlate si implicit imposibilitatea
restrângerii spațiului de căutare , cu implica ții negative asupra timpului de calcul.
– adoptarea deciziei in timpul căutării , operatorul impunând preferin țe in timpul p rocesului de
optimizare , realizând o căutare controlata. In cadrul problemelor de optimizare multiobiectiv,
analiza in timp real a rezultatelor poate fi problematica din punct de vedere al operatorului.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
40 În principiu, o metodă de optimizare multiobiectiv tr ebuie să funcționeze pentru spaț ii de
căutare mari și complexe, și să genereze un set de rezultate optime Pareto sau o buna aproximare
a lor. Abordările tradiționale de rezolvare a problemelor de optimizare multiobiectiv pr esupun
transformarea problemei î ntr-una cu un singur obiect iv, fiind des întâlnite și simplu de implementat
metoda scalarizării liniare ș i metoda constrângerilor .
În metoda scalarizării liniare problema de optimizare multicrit eriala originala este convertită
într-una cu un singur obiect iv, prin formarea de combina ții liniare a celorlalte obiective. Se
urmăre ște maximizarea/minimizarea funcției

𝑦=𝑓(𝑥)=𝑤1𝑓1(𝑥)+𝑤2𝑓2(𝑥)+⋯+𝑤𝑘𝑓𝑘(𝑥)

pentru 𝑥∈𝑋𝑓
unde 𝑤𝑖 sunt ponderi cu ∑𝑤𝑖=1.
Rezolvarea problemei de optimizare pentru un [12] număr de combina ții de ponderi oferă un
set de soluții. În condi țiile în care este utilizat un algor itm de optimizare exacta ș i toate ponderile
sunt pozitive, metoda va genera doar soluțiile optime Pareto.
Dezavantajul acestei metode constaă î n imposibilitatea generării tuturor soluțiilor Pareto
optimale.
Prin metoda constrângerilor se transforma k -1 din cele k obiective î n constrângeri . Obiectivul
rămas (ales aleator) este obiectivul pentru o funcție de optimizare cu un singur o biectiv . Astfel,
trebuie maximizata/minimizata

𝑓𝑗(𝑥)𝑝𝑒𝑛𝑡𝑟𝑢 𝑓𝑖(𝑥)≤𝜖𝑗 𝑝𝑒𝑛𝑡𝑟𝑢 𝑖𝜖{1,…,𝑘}\{𝑗}, unde 𝑥∈𝑋.

Obiectivul pentru care trebuie maximizata /minimizata problema este 𝑓𝑗 iar 𝜖𝑗 sunt parametrii
care se modifică pentru a obține diferite soluții Pareto optime.
Avantajul acestor abordări tradiționale se rezuma la faptul ca ele transforma funcția de
optimizare multiobiectiv î n una de maximizare cu un sin gur obiectiv, pentru care există o varietate
mare de soluții de rezolvare . Cu toate acestea, unele tehnici prezintă dificultăți la calcularea si
aproximarea fronturilor Pareto, î n general sunt necesare cunoștințe suplimentare pen tru
transformarea obiectivelor și necesită mai multe etape de optimizare pentru a ob ține o aproximare
a setului Pareto, ceea ce implică resurse de calcul suplimentare.
O alternativă la abordarea clasică a problemelor de optimizare multicriterială care e vită
dezavantajele acestora este calculul evolutiv . Acesta este o metodă de rezolvare a prob lemelor ce
realizează căutarea î n spații de soluții potențiale. Funcționează pe baza principiul ui selecției
naturale a unei populații de indivizi generați aleatoriu. Petru spații de căutare de dimensiuni mici,
metodele clasice, exhaustive, generează rezultate corecte în timp rezonabil. Pentru spații de căutare
mari, complexe , timpul de calcul necesar metodelor clasice pentru a genera rezultate este mare, în
acest caz abordarea evolutivă a problemei fiind o alternativă de luat în considerare.

Tehnicile principale ale calculului evolutiv sunt:
– algoritmii genetici

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
41 – programarea genetică
– programarea evolutivă
– strategiile evolutiv e.
În general, EC are ca scop rezolvarea cu ajutorul algoritmilor evolutivi a problemelor
clasificate ca fiind dificile din punct de vedere computațional. Toți acești algoritmi au ca si caracteristici
de baza:
– existența unei populații de indivizi
– dinamica acestei populații
– propagarea de caracteristici de la părinți la urmași
– evaluarea adecvării indivizilor la problemă cu ajutorul unei funcții fitness.
Funcționarea corectă a acestor algoritmi presupune capacitatea indivizilor bine adaptați de a avea
o influență puternică în cadrul populației prin timpul îndelungat de supraviețuire și capacitatea de a
produce urmași care să propage caracteristi cile pozitive în cadrul populației . Această funcționare este
influen țată de:
a. dimensiunea populației – o populație de mici dimensiuni are ca efect rularea rapidă a
algoritmului dar influențează negativ parcurgerea spațiului soluțiilor și ca urmare de a exis ta un
risc mare de a genera soluții locale în locul celor globale. Dimensiunea optimă a populației este
determinată atât de capacitatea de calcul disponibilă cât și de problema de rezolvat. Numărul
de indivizi poate fi atât fix cât ți variabil.
b. Selecția p ărinților – există mai mulți algoritmi de selecție, în principal bazați pe valoarea
funcției fitness indivizilor. Pentru păstrarea capacității algoritmului de a explora spațiul
soluțiilor, este necesară păstrarea diversității. Astfel, alegerea exclusivă pe ntru reproducere a
unor indivizi cu valori maxime ale funcției fitness conduce la uniformizarea populației, cu
efecte negative asupra rezultatelor produse. Totodată, o foarte mare diversitate generată de
alegerea de indivizi puțin adecvați are ca efect tim pul lung de convergență a algoritmului sau
chiar imposibilitatea atingerii convergenței.
c. Eliminarea indivizilor din populație – are ca scop evoluția fitness -ului total al populației.
Procesul este diferit, determinat atât de algoritmii evolutivi cât și de problemă, fiind influențat
de elitism. Eliminarea b azată pe acesta are ca influențe negativ ă uniformizarea populației sau
din contră, o prea mare diversitate, identificarea modalității optime realizată apriori fiind
dificilă. Selecția și eliminarea indiviz ilor reprezintă unul din mecanismele de bază, pe baza
cărora funcționează algoritmii evolutivi.
d. Reproducerea – mecanismele utilizate pentru reproducere afectează balanța
explorare/exploatare în cazul EA. Explorarea optimă a spațiului de căutare presupune păstrarea
capacitatea de a controla diversitatea, atât prin mutații, cât și prin reproducere adaptivă sau prin
utilizarea mai multor părinți.

3.1 Metode evolutive de optimizare multicriterială a sistemelor informatice .
Concepte

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
42 3.1.1 Algoritmii genetici

Algoritmii genetici fac parte din categoria algoritmilor de calcul probabilistic, inspirați de teoria
evoluționistă a lui Darwin, principale le coordonate fiind competiția, selecția, supraviețuirea ,
reproducerea.

Figura 17. Coord onatele principale ale algoritmului genetic

Algoritmii genetici se referă la un model introdus și analizat de J. Holland în 1975 fiind definite
ca proceduri adaptive care identifică soluția problemei pe baza unui mecanism de selecție naturală și
evoluție genetică. Algoritmul este des folosit pentru probleme în care găsirea soluției optime nu este
ușoară sau timpul de rulare necesar în cazul calculului determinist este prohibitiv.
Algoritmii genetici codifică o soluție posibilă la o problemă specifică înt r-o singură structură
de date numită „cromozom” și aplică operatori genetici la aceste structuri astfel încât să mențină
informațiile critice.
Algoritmii genetici pornesc de la o mulțime inițială de soluții (de obicei aleasă aleator) numită
„populație”. În această populație fiecare individ este un „cromozom” și reprezintă o soluție posibilă a
problemei. În aproape toate cazurile cromozomul este un șir de simboluri (de obicei reprezentat ca un
șir de biți dar pot fi și reprezentări prin numere naturale). Ace ști cromozomi evoluează pe durata
iterațiilor succesive numite generații. În fiecare generație, cromozomii sunt evaluați utilizând funcții
care măsoară adecvarea soluțiilor la problema dată (fitness).
Din punct de vedere al evoluției genetice, cromozomii sunt purtătorii informației genetice,
numărul lor fiind determinat pentru fiecare individ al unei specii. Genotipul este format din totalitatea
cromozomilor unui individ, cromozomii fiind alcătuiți din gene. Acestea controlează una sau mai multe
caracteris tici ale individului, purtând caracteristicile ereditare și ocupă locuri determinate, numite loci.
O genă poate avea mai multe valori ale caracteristicilor, numite alele. Evoluția are loc la nivelul
cromozomilor iar selecția naturală favorizează reproducer ea cromozomilor care codifică structuri mai
bine adaptate.
Căutarea unei soluții într -un spațiu complex implică un compromis între două obiective
contradictorii, între exploatarea celei mai bune soluții de la momentul respectiv și exploatarea în
continuare a spațiului soluțiilor posibile. Cele două obiective corespund căutării locale, respectiv
globale în spațiul soluțiilor, explorarea presupunând parcurgerea diferitelor regiuni din spațiul soluțiilor
și colectarea de informații iar exploatarea fiind rafina rea soluției (exploatarea informațiilor colectate în
procesul de explorare).

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
43
Figure 18. Explorare -exploatare în căutarea genetică

Problema echilibrului între utilizarea soluțiilor obținute până la momentul curent și parcurgere a
în continuare a spațiului de căutare pentru a obține soluții noi este specifică problemelor de optimizare.
O alegere prematură a unei soluții poate conduce la obținerea unui rezultat local și nu a unui general,
deci o convergență prematură. Dacă accentul se pune pe explorare, este posibil ca informația obținută
să nu fie utilizată, crescând timpul de rulare a procedurii. Exploatarea și explorarea sunt caracteristici
care pot fi controlate în mod independent, ceea ce conferă o flexibilitate sporită algorit milor genetici,
operatorii implicați în acest proces fiind selecția, ca operator de convergență și crossover și mutația ca
operatori de divergență.
Pentru crearea următoarei populații cei mai buni cromozomi din generația (populația) curentă
sunt selectați și noii cromozomi sunt formații folosind unul dintre cei trei operatori genetici esențiali:
– selecția,
– crossover
– mutația.
Selecția asigură faptul că anumiți cromozomi din generația curentă sunt copiați în acord cu
valoarea funcției lor de adecvare în noua generație ceea ce înseamnă că acei cromozomi cu o importanță
mare au o probabilitate mare să contribuie la formarea noii generații.
Crossover este un alt operator genetic, fiind procesul prin care pe baza a doi cromozomi din
populația curentă sun t formați maxim doi cromozomi pentru populația următoare.
Mutația este procesul prin care un cromozom din populația curentă este modificat și salvat în
noua populație.
Din punct de vedere conceptual, funcționarea algoritmului genetic respectă schema logic ă din
figura următoare:

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
44
Figure 19. Schema logică a unui algoritm genetic

Etapele algoritmului genetic:
Din punct de vedere funcțional, algoritmul genetic parcurge următoarele etape:
1. Se codifică datele problemei într -un cromozom.
2. Se generează aleator o populație. Se recomandă ca populația să aibă un număr suficient de mare de
cromozomi (număr variabil, nefiind stabilit un algoritm de calcul a numărului e cromozomi pentru o
problemă; ei fiind soluții aleatoare). Fiecare genă din cromozom este inițializată cu o valoare aleatoare.
3. Pentru fiecare cromozom din populație se calculează adecvarea acestuia ca soluție, folosind funcția
de evaluare (fitness).
4. Dacă s -a găsit un cromozom pentru care se obține valoarea dorită s e termină algoritmul iar acel
cromozom reprezintă soluția problemei (în cazul în care se știe unde dorim să ajungem). O altă condiție
de terminare a algoritmului ar putea fi cazul în care după un număr specificat de pași nu s -au mai obținut
îmbunătățiri (î n cazul în care nu știm exact valoarea unde vom ajunge).
5. Folosind rezultatele funcției de evaluare se generează următoare populație astfel:
a. Se vor selecta primii cei mai buni cromozomi din prima populație și se vor copia în noua
populație;
b. Pentru restul din noua populație se vor folosii operatorii de mutație și crossover
6. Se revine la pasul 3.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
45 Codificarea cromozomilor și problema de optimizare
În cazul algoritmilor genetici, două componente principale sunt determinate de problema
abordată: codificarea problemei și funcția de evaluare (de fitness). Cromozomii care reprezintă
codificarea problemei trebuie într -o oarecare măsură să conțină informațiile despre soluția problemei.
Există mai multe codificări, principalele metode care au fost utilizate cu succes fiind codificarea binară
(cromozomul este format din șiruri de 0 sau 1 care reprezintă binar soluția problemei) sau codificarea
prin valoare (cromozomul este format dintr -un șir de valori vector întregi sau reale care pe ansamblu
repre zintă soluția problemei). De asemenea, în funcție de problemă, cromozomii pot avea o dimen siune
fixă sau variabilă. În [12], pentru [13] dezvoltarea unui algoritm adaptiv de rutare în rețea, autorii a u
utilizat codarea problemei într -un cromozom cu lungime fixă (egală cu numărul de noduri din rețea),
valoarea genelor reprezentând nodurile componente ale rutei, fiind, deci, numere naturale. Dacă ruta
este mai mică decât numărul de noduri, genele rămase vor avea valoarea 0.

Figure 20. Codificarea rutei pentru o rețea (codificare utilizând numere natural)

Cromozomul (4,5,6,7,0,0,0,0,0) reprezintă ruta 4 ->5->6->7

În [13], autorii propun o codificare binară, sub formă de matrice a rutei. Elementele matricei
sunt 0, dacă între nodurile reprezentate de numărul liniei și al coloanei nu exista legătură direct și 1
dacă există legătură.
În [14], pentru codarea rutei se utilizeaz ă o codificare cu numere natural, fiecare genă
reprezentând un nod al rutei iar cromozomii sunt de lungime variabilă.
Funcția de evaluare numită și funcția de „fitness” (potrivire) este funcția care ne permite să
evaluăm adecvarea ca soluție pentru fiecare cromozom din populație. Această funcție este de obicei
funcția care reprezintă descrierea problemei.
12
1n
k
k=d c ,c = dist
(1)
Pentru rețeaua prezentată în Fig.1., în articolul [12], funcția fitness pentru o ruta valida este
determinată de suma costurilor link -urilor dintre 2 noduri adiacente din rută, in conformitate cu formula
nr. (1).
În timpul rulării algoritmului, intervalele valorilor funcțiilor fitness ale populațiilor de
crom ozomi sunt dinamice. Dacă intervalul dintre cea mai mare valoare a fitness -ului și ce mai mică
este prea mare, efectul obținut este convergența prematură spre o soluție locală, ca urmare a existenței
unor indivizi cu valori ale funcției de adecvare atât de mare în comparație cu ceilalți, încât au o prezență

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
46 sigur în generațiile următoare. Dacă, în schimb, diferența dintre cea mai mare valoare a fitness -ului și
cea mai mică este prea mic, convergența algoritmului este dificilă, necesitând durate mari de tim p
pentru a oferi o soluție globală sau, după un număr de generații, fitness -ul mediu este convergent, dar
nu a fost găsită o soluție globală. Pentru a evita aceste efecte nedorite, se poate ajusta intervalul de
valori prin scalarea fitness -ului, ferestruir ea sau prin atribuirea fitness -ului pe baza unui clasament.
Prin scalarea fitness -ului, valorile adecvării sunt modificate pentru a obține o distribuție într -un
interval de valori optim pentru problema dată.

Figura 21. Modificar ea distribuției funcțiilor fitness

Ferestruirea valorilor de adecvare este similară scalării, dar valorile cu care se modifică
adecvările sunt alese luându -se în considerare istoricul dintr -un număr de generații anterioare.
Stabilirea fitness -ului pe baza unui clasament presupune numerotarea cromozomilor pe baza
valorii adecvării și selecția în funcție de clasament.
Problema abordată pentru a fi rezolvată prin tehnici genetice poate fi o problemă descrisă de o
funcție cu un singur criteriu sau poate fi o p roblemă multicriterială. În cazul problemelor multicriteriale
există mai multe combinații de valori care îndeplinesc obiectivele funcției. Acestea reprezintă un set
de soluții optime Pareto.
Pentru optimizări multicriteriale, funcția fitness poate fi o com binație a diverșilor parametrii
care sunt implicați în constrângerile asupra soluției. Aceștia sunt pondera ți ca valoare, în funcție de
importanță, ponderile putând fi fixe sau variabile, funcție fiind de forma:
1 1 2 2 12( ) ( ) ( ) … ( )nn nFx f f fw x w x w x   
,
unde w reprezint ă ponderile fiecărui criteriu în soluție generală. Stabilirea acestora necesită
cuno ștințe apriori.
În [12], autorii propun o funcție fitness (2) care include mai multe subfuncții, unele dintre ele
fiind ponderate, care sunt implicate în alegerea soluției problemei:

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
47

  
   
11rt
N
i=
hsFit C = Current C,Cf (
W SubFit Realtime C ,Cf +
N + i SubFit History C,i ,Cf
W)N

 
 [15] (2)

Spațiul tuturor soluțiilor fezabile existente este numit spațiul de căutare sau spațiul stărilor.
Problemele abordate folosind algoritmi geneti ci sunt de obicei probleme pentru care căutarea în spațiul
soluțiilor este o problemă complicată sau chiar NP -completă. Soluțiile obținute folosind algoritmi
genetici sunt de obicei considerate ca soluții bune, care respectă cerințele impuse, nefiind înto tdeauna
posibil să se cunoască optimul real

Componentele algoritmilor genetici

Populația

Pe perioada funcționării, un algoritm genetic utilizează o multime de soluții potențiale (o
populație de cromozomi), împreună cu evaluarea fiecăreia dintre ele (valoarea fitness -ului). Pentru ca
aceste soluții să poată fi utilizate, este necesar ca ele să fie reprezentate (codate) într-o formă care să
permită efectuarea de operații asupra lor. Această codare este sub forma unui șir de parametrii care
descriu soluția la problema dată , putând fi atât binară, cât și sub forma unui alfabet cu n caractere sau
sub formă de numere naturale. Modul de reprezentare a soluțiilor este direct dependent de problema de
rezolvat si de operatorii genetici, neexistând rezultate conclu dente care sa stabilească faptul că o
anumită codare garantează o funcțion are mai eficientă .
Dimensiunea populației este un parametru important al algoritmului genetic, în cele mai multe
cazuri fiind utilizată o valoare fixă. Dacă populația este prea mică , se va atinge mai rapid convergența,
dar căutarea va fi insuficientă, existând riscul detectării unei soluții locale în locul celei generale. O
populație prea numeroasă va parcurge mai ușor spațiul de căutare dar va necesita resurse de calcul
consistente, cu îmbunătățiri minime din punct de vedere al rezultatelor furnizate. Ca urmare,
dimensiunea populației este determinată de resursele de calcul disponibile.
După stabilirea tipului de reprezentare și dimensiunea populației, prima generație va fi populată
cu cromozomi generați aleator care, ulterior vor parcurge etapa de evaluare.

Evaluarea

Evaluarea indivizilor dintr -o populație este efectuată prin utilizarea unei funcții fintess,
rezultatul fiind o valoare care arată adecvarea soluției la problema d ată. Funcția fitness este o parte
componentă a problem ei ce se dorește a fi rezolvată și definește în mod măsurabil caractersiticile
impuse pentru ca o soluție să fie validă.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
48 Selecția

Selecția are un rol important în cadrul algoritmului genetic. Aceasta decide care dintre indivizii
unei populații vor putea participa la formarea generației următoare.
Scopul selecției este de a asigura mai multe șanse de reproducere celor mai bine adaptați indivizi
dintr -o populație. Procedura urmărește maximizarea performa nței cromozomilor dar, în același timp
reduce capacitatea de explorare a spațiului de către algoritmul genetic prin pierderea de material genetic
ca urmare a eliminării de cromozomi. Este operațiunea care asigură evoluția algoritmului spre
convergență.
Între diversitatea populației și presiunea de selecție există o legătură strânsă. Creșterea presiunii
de selecție conduce explorarea spațiului spre cei mai bine adecvați indivizi, producând o scădere a
diversității populației. Ca urmare, o presiune de selecț ie mare va conduce la o pierdere rapidă a
diversității și implicit la o convergență prematură a algoritmului spre soluții posibil optime locale, nu
globale. O presiune de selecție mică va crește capacitatea de explorare a spațiului, întrucât în procesul
de căutare vor fi prezenți mai mulți cromozomi diferiți, dar poate conduce la uniformizarea selecției și
la o căutare puțin eficientă.

Metode de selecție a cromozomilor

Un element important în funcționarea algoritmul genetic este procedura de selecția a p ărinților
din populația curentă și generarea noii populații. Aceasta poate fi abordată în mai multe feluri, dar
scopul este de a selecta cei mai buni părinți (în speranța că aceștia vor produce cei mai buni copii).
Pentru realizarea selecției este neces ară introducerea unui criteriu de performanță a individului,
urmărindu -se maximizarea performanței. În acest fel, căutarea se desfășoară în regiuni din spațiul
soluțiilor în care soluțiile corespund adecvării maxime.
Funcția fitness pe baza căreia se fac e selecția indivizilor trebuie să îndeplinească următoarele
cerințe:
– Să reflecte calitatea cromozomilor ca soluții ale problemei
– Să fie pozitivă.
În rularea algoritmului, ca urmare a selecției performanța totală a populației (suma
performanțelor individua le ale cromozomilor din populație) va crește până la o anumită valoare , în
continuare rămâmând constantă, ceea ce semnifică atingerea convergenței algoritmului.
Există mai multe modalități de selecție, cea mai utilizată fiind selecția proporțională, care
depinde de valoarea fitness -ului cromozomului.

a. Metoda „Roulette Wheel” (metoda ruletei)

Această metodă folosește algoritmul Monte Carlo de selecție. Fiecare individ din populația
curentă este reprezentat printr -un spațiu proporțional cu valoarea funcție i lui de evaluare. Prin
eșantionări aleatoare succesive din acest spațiu de reprezentare a cromozomilor se asigură faptul că cei
mai buni cromozomi au șanse mai mari să fie selectați la un anumit pas decât cei cu mai slabi.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
49 Ca dezavantaj, dacă populația este foarte neomogenă, existând un individ cu un fitness mult
superior mediei, el va fi selectat de mai multe ori, fiind prezent aproape exclusiv în populația următoare.
Această caracteristică va conduce la pierderea diversității populației și la explorare a incompletă a
spațiului soluțiilor, ceea ce conduce la convergența prematură a algoritmului.
Dacă există diferențe mici între valoarea fitness -ului indivizilor, probabilitatea de selecție va fi
relativ egală, producându -se stagnarea evoluției populației iar selecția va fi aleatoare.
Cele două situații trebuie evitate pentru a realiza o procedură de selecție funcțională. O soluție
este scalarea valorilor fitness -ului indivizilor din populație. Această scalare poate fi fixă sau variabilă,
în funcție de evoluția valorii funcției de performanță.

b. Metoda bazată pe ordonare

Prin această metodă, pentru fiecare generație se calculează valoarea fitness -ului pentru fiecare
cromozom. Cromozomii vor fi ordonați în funcție de adecvarea lor iar fiecare va avea o probabilitate
de selecție bazată pe poziția lor în șir și pe o constantă a metodei, numită presiune de selecție.
Întrucât probabilitatea de selecție depinde de poziția relativă în șir a cromozomului și nu de
valoarea funcției de adecvare, sunt evitate inconvenientele selecției proporționale.

c. Metoda bazată pe concurs (tournament selection)

Metoda es te bazată pe compararea directă a valorilor de adecvare a unui număr de cromozomi
și selectarea celui mai performant. Pentru a genera o populație de n cromozomi, este necesară aplicarea
mecanismului de n ori. Selecția prin concurs implementează presiunea d e selecție prin concursul a t
cromozomi, unde t fiind mărimea concursului. Creșterea presiunii de selecție se face prin creșterea
numărului de indivizi care iau parte la concurs. Câștigătorul din cadrul unui număr mai mare de indivizi,
în medie, va avea va loarea fitness -ului mai mare decât ăn cazul concursului între un număr mai mic
de indivizi.

d. Elitismul

Metoda a fost introdusă de De Jong și este o formă de selecție care se utilizează în combinație
cu alte metode. Prin aceasta se asigură faptul că cel mai performant individ este păstrat dela o generație
la alta, fără a fi alterat de recombinare și mutație. Prin aceasta se garantează ca fitness -ul maxim nu va
scădea de la o generație la alta.

Mutația

Mutația este acel operator genetic prin care, dintr -un singur părinte este obținut un singur copil
prin aplicarea unei modificări aleatoare a reprezentării (genotipului). Operatorul mutație depinde de
modalitatea de reprezentare cromozomială și are asociat un parametru, pm, care reprezintă rata de
mutație.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
50 Cel mai utilizat operator de mutație în reprezentarea binară consideră fiecare genă a fiecărui
cromozom pentru inversarea valorii asociate (din 0 în 1, respectiv din 1 în 0) cu o probabilitate pm în
general mică. Numărul valorilor modificate nu este fixa t, dar, în medie, dacă populația conține dim
cromozomi cu câte n gene, este egal cu 𝑝𝑚∗𝑑𝑖𝑚 ∗𝑛.
De exemplu, dacă în cromozomul părinte

este aplicat operatorul de mutație genelor 2, 3 și 7, rezultă cromozomul modificat:

Setarea ratei de mutație depinde în general de rezultatul dorit, în sensul în care aplicația trebuie
să conducă fie la obținerea unei populații în care toți indivizii sunt buni (valoare mare a funcției de
evaluare), fie la obținerea unei populații cu un si ngur individ cu adaptare foarte bună la mediu. În
general, în cele mai multe dezvoltări GA care folosesc reprezentarea binară pentru construirea spațiului
genotipurilor, parametrul pm este setat în următoarele limite: într -o generație, în medie, este modif icată
o singură genă a unui singur cromozom din populație, respectiv în populația curentă este modificată,
în medie, câte o genă din fiecare cromozom.
În cazul reprezentării cromozomiale din mulțimea numerelor întregi sunt două modalități uzuale
de a defi ni mutația.
Prima dintre ele este resetarea aleatoare prin care, cu probabilitatea pm, valoarea fiecărei gene
este modificată prin generarea aleatoare a unei valori din mulțimea valorilor admisibile pentru gena
respectivă.
O altă variantă de definire este prin intermediul mutației de tip fluaj . Operatorul, cu o
probabilitate p, adaugă/scade o anumită cantitate (de obicei mică) la/din valoarea fiecărei gene a
fiecărui cromozom. În general valorile cu care sunt modificate alelele sunt generate aleator, astfe l încât
probabilitatea apariției unei valori mici să fie mult mai mare decât probabilitatea generării unei valori
mari. Mutația de tip fluaj necesită setarea parametrilor ce caracterizează probabilitatea cu care sunt
generate valorile ce modifică alelele, deci a numărului de pași efectuați de operatorul mutație în spațiul
de căutare. Determinarea unei setări potrivite a acestor parametri este în general un proces dificil, în
general fiind preferată utilizarea în tandem a mai multor operatori de mutație de a cest tip. De aceea, o
variantă alternativă este de a utiliza un operator mutație resetare aleatoare cu rată foarte mică împreună
cu un operator fluaj care să efectueze modificări mici asupra alelelor.
În cazul reprezentării cromozomiale prin șiruri de nume re reale, reprezentate în virgulă mobilă
sunt utilizați în general următorii operatori:
– Mutația uniformă;
– Mutația neuniformă, cu distribuție fixată.
Mutația uniformă presupune modificarea fiecărei gene 𝑖=1,…,𝑛 din fiecare cromozom, cu
probabilitatea pm, prin generarea aleatoare uniformă a câte unui număr din [𝑎𝑖,𝑏𝑖]. Deci, dacă gena i,
𝑖=1,…,𝑛, a cromozomului x a fost selectată pentru mutație, 𝑦𝑖 este generat aleator. Acest tip de
operator este corespondentul mutației prin resetare aleatoare în cazu l reprezentării cromozomiale prin
șiruri de numere întregi.
Mutația neuniformă, cu distribuție fixată, este una dintre cele mai des utilizate în reprezentările
cromozomiale în virgulă mobilă și este corespondentul operatorului de mutație fluaj. Operatoru l este
proiectat astfel încât cantitatea de informație modificată să fie mică. Aplicarea lui asupra unei gene i,

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
51 𝑖=1,…,𝑛, presupune modificarea valorii curente cu o valoare generată, rezultatul fiind apoi adus pe
intervalul [𝑎𝑖,𝑏𝑖].
În cadrul algoritm ilor genetici, mutația este operatorul care asigură diversitatea populației de
cromozomi și, implicit, parcurgerea întreg spațiului de căutare. Diversitatea este un parametru
important al algoritmilor genetici și este implicat direct în implementarea opart orului de mutație.
Diversitatea poate fi estimată atât în funcție de spațiul genotipic cât și în func ție de spațiul
fenotipic. În [15] DeJong a propus o estimare a diversită ții popula ției bazat pe măsurarea varia ției
pentru fiecare caracteristică fenotipică specific ă. În spa țiul genotipic poate fi folosită entropia ca o
măsură a dezordinii în popula ția ca în [16] și distan ța Hamming conform stud iilor prezentate în lucrarea
[17]. În [18], Morrison și DeJong au introdus o măsură unitară a diversită ții popula ției bazată pe
conceptul de moment de iner ție pent ru a măsura distribu ția masei în spa ții multidimensionale. De
asemenea au explicat rela ția dintre măsurile fenotipice ( varia ție în valorile pentru elementele de
fenotipice ) și genotipice obi șnuite ( Hamming distan ță ) și acest nou concept .
În [19] autorul propune o nouă procedură de mutație a cromozomilor din popula ție pentru a
asigura o căutare completă a spa țiului solu ție. Pentru a evita găsirea unei solu ții locale , popula ția de
cromozomi trebuie să aibă genele distribuite în întreg spa țiul de căutare a problemei. Pentru a asigura
acest lucru , la fiecare it erație , va fi calculat un "cromozom central" . Acesta nu va f i în mod necesar
o solu ție pentru această problemă. Fiecare genă din acest cromozom va fi media aritmetică a tuturor
genelor de la aceea și pozi ție pentru toți cromozomii popula ției. Cromozomul c entral va fi de forma:
[ (0), (1),…, ( )]i i i in m m m m
(3)
unde
0( ) ( ) /N
ij
jk k Nmx

(4)

N este numărul de cromozomi din generație și x(k) este gena numărul k a cromozomului.
Când algoritmul este convergent, distan ța dintre acest cromozom central și majoritatea
cromozomilor are o valoare mică . Distanța este de forma:
0( , ) | ( ) ( ) |N
kk kkidist n n yyxx

(5)
unde
,k kyx sunt cromozomii generației k, N reprezintă lungimea cromozomilor și
( ), ( )k knnyx sunt
alelele cromozomilor x,y.
Pentru a asigura diversitatea fenotipică , într -o popula ție sunt mutanți cromozomii cei mai
apropiați de cromozomul central .
Un alt parametru important folosit de operatorul de muta ție este rata de muta ție. În algoritmul
genetic standard acest parametru rămâne constant și, din cauza aceasta, este aproape imposibil de a
echilibra divergen ța asigurată de crossover și muta ție și convergen ța asigurată de se lecție. Controlul
adaptiv al diversității popula ției oferă o modalitate de a găsi soluția optimă globală și de a echilibra
divergen ța și convergen ța în popula ția de cromozomi. O popula ție diversificată ajuta la evitarea
convergen ței premature și să ofere un set solu ții mai bune .
În [19], diversitatea popula ției este definită ca suma diferen țelor dintre fiecare cromozom si
cromozomul central :

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
52
( ) ( ( ), )kk
iD k dist i xm (6)
unde
kx este cromozomul din generația k și
km este cromozomul central calculate pentru generația k.
O valoare mică a diversită ții înseamnă că aproape to ți membrii popula ției sunt grupați într -o
zonă din spa țiu în jurul cromozomul centr al. O valoare ridicată înseamnă o distribu ție mare a
cromozomilor în spațiul de căutare .
Folosind această măsură a diversității în [4] ,valoarea procentului de muta ție va fi :
min11mut mut(x) (x )( ( (x)) (x))P P D D D   
(7)
unde
mut(x)P este procentul de mutație în generația x,
(x)D este măsura dive rsității în generația x și
minD
este valoarea minimă a.

Crossover

Operatorul crossover realizează recombinarea indivizilor selectați prin operatorul de selecție,
imitând încrucișarea intercromozomială naturală. De regulă, din doi părinți rezultă maxim doi urmași.
Acest operator asigură exploatarea spațiului de căutare, f iind unul din operatorii de o importanță mare
în funcționarea algoritmului genetic.
În marea majoritate a cazurilor, sunt utilizate două variante ale acestui operator:
– crossover în un punct de tăietură
– crossover în mai multe puncte de tăietură.

a. Cros sover într -un un punct de tăietură

Prin acest operator, se face schimbul de informații între cromozomii părinți, prin combinarea
segmentelor de cromozomi, determinate ca dimensiune de un număr întreg k, mai mic decât lungimea
cromozomilor părinți, numit p unct de tăietură. Sunt parcurse următoarelor etape: selectarea aleatoare a
unei gene, k, și obținerea urmașilor 𝑥2,𝑦2 astfel :
• copiază primele k elemente din 𝑥1, respectiv 𝑦1în 𝑥2, respectiv 𝑦2
• copiază în ultimele m-k+1 poziții din 𝑥2, respectiv 𝑦2, ultimele m-k+1 elementele din
𝑦1, respectiv 𝑥1, unde m este lungimea cromozomului.

Figure 22. Crossover în un punct de tăietură

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
53 Punctul de tăietură poate avea o poziție fixă sau variabilă în cadrul operatorului crossover.
Ca urmare a aplicării operatorului, de cele mai multe ori urmașii obținuți nu sunt soluții fezabile
ale problemei. În aceste cazuri, operatorul este urmat de o procedură de modificare a urmașilor, pentru
a se asigura fezabilitatea lor sau pur si simplu urmașii care nu reprezintă soluții sunt eliminați.
În [19], algoritmul implementat utilizează operatorul crossover într -un punct de tă ietură, generat
aleator. După crossover, se aplică o procedură de eliminare a buclelor din cadrul rutei. Dacă după
această procedură cromozomul nu reprezintă o soluție, el este eliminat.

b. Crossover în mai multe puncte de tăietură

Această încrucișare este o extensie naturală a operatorului de recombinare în un punct. În cazul
crossover -ului în mai multe puncte de tăietură, segmentele care se obțin sunt combinate după o regulă
stabilită anterior.
Încrucișarea în mai multe puncte de tăietură este justificat ă deoarece pentru crossover într -un
singur punct, anumite combinații de gene nu se pot realiza. Totodată, prin încrucișarea în mai multe
puncte se poate realiza sensibilitatea operatorului la creșterea lungimii cromozomului.
Și în acest caz rezultă soluț ii nefezabile, fiind necesară dezvoltarea de mecanisme care să trateze
excepțiile.

Figure 23. Crossover în mai multe puncte de tăietură

Față de aceste două categorii principale de mutație există și altele, derivate, construite pentru
optimizarea funcționării algoritmului genetic.
Crossover -ul adaptiv ține seama de calitatea descendenților rezultați prin crossover cu diverse
puncte de tăietură. Distribuția punctelor de tăiere se modifică în funcție de rezultatele obținute,
înreg istrând pozițiile punctelor utilizate. Dacă un punct a generat un descendent cu valoarea fitness –
ului mică, acest punct nu va mai fi utilizat. Dacă fitness -ul este bun, punctul va fi utilizat în continuare.
Această procedură asigură un proces de selecție a punctelor de încrucișare.
Crossover -ul cu amestec urmărește obținerea unei diversități mai mari a urmașilor. Este un
mecanism suplimentar, fiind aplicat împreună cu alt operator de crossover.
În cazul crossover -ul uniform, pentru fiecare genă a unui descendent se utilizează un parametru
global care va indica probabilitatea ca această genă să fie componentă a primului sau al doilea părinte.
Astfel, fiecare poziție se calculează separat, crossove r-ul uniform fiind de fapt o generalizare a
crossover -ului în mai multe puncte de tăiere. Ca modalitate de implementare, este generată aleator o

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
54 mască binară ce determină care gene sunt copiate din unul dintre părinți și care din celălalt. Structura
măștii (densitatea ei) dictează cât material genetic este preluat din fiecare părinte pentru a fi transmis
către urmași.

Figure 24. Crossover uniform

În cazul în care cromozomii sunt șiruri de numere reale sunt folosite uzual două c lase de
operatori de crossover, recombinarea de tip discret și recombinarea aritmetică.
Recombinarea de tip discret este similară reprezentării prin șiruri binare, cu mențiunea că, în
acest caz, o genă este un număr real, nu 0 sau 1. Acest tip de încruciș are are dezavantajul că nu sunt
obținute valori noi pentru genele cromozomilor urmași, singurul operator care poate extinde zona de
căutare rămânând cel de mutație.
Recombinarea aritmetică este clasa operatorilor prin aplicarea cărora sunt obținuți cromozo mi
cu alele noi, rezultate prin combinarea aritmetică (prin medie ponderată) a genelor cromozomilor
părinți. În literatura de specialitate sunt prezentate o serie de variante ale operatorilor aparținând acestei
clase.
Alegerea tipului de operator de cross over este determinată de problema pentru rezolvarea căreia
este dezvoltat algoritmul genetic. Fiecare operator este mai potrivit pentru anumite clase de probleme,
pentru altele prezentând rezultate mai slabe.

Convergent a algor itmilor genetici, teoria s chemelor , ipoteza blocurilor constructive

Algoritmii genetici reprezintă o clasă de metode probabilistice de căutare eficientă în spațiul
soluțiilor problemei date. Pe parcursul rulării, valoarea fitness -ului suferă îmbunătățiri de la o generație
la alta.
Fundamentele teoretice ale algoritmilor genetici au fost prezentate de J.H.Holland î n [20], prin
dezvoltarea teoriei schemelor, utilizând o codare binară pentru cromozomi . Aceasta introduce
conceptele de schemă și de blocuri constructive.
Pentru codificarea binară, o schemă este formată dintr -un șir de simboluri 0,1 și *, unde * are o
semnificație de ”don`t care”, putândlua oricare din valorile 0 și 1 iar o schemă de lungime r este element
component al mulțimii
{0,1,*}r .
Dată fiind S o schemă având lungime r, un cromozom
{0,1,*}rx este o instanță a schemei S
dacă oricărie din pozițiile diferite de * ale lui S îi corespunde o poziție din x cu aceeași valoare.
Poziția specifică a schemei S este orice poziție din S cu altă valoare în afară de *.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
55 Mai general, o schemă S reprezintă mulțimea de cromozomi x pentru care toate pozițiile
specifice din S soincid cu pozițiile din x, caz în care x este o instranță a schemei S.
Ordinul unei scheme este dat de numărul de poziții specifice din aceasta . Lungimea utilă a unei
scheme este diferența dintre ultima și prima poziție specifică.
Performanța unei scheme este dată de adecvarea medie a instanțelor ei in cadrul unei populații.
Utilizând noțiunile prezentate, teorema schemelor a lui Hollan de este următoarea:
-o schemă având o performanță peste medie, valori scăzute ale ordinului și lungimii utile, tinde să apară
mai frecvent în componența populației de cromozomi din generația următoare iar o schemă cu
performanță sub medie tinde să apară ma i puțin frecvent în generațiile următoare.
Această teoremă furnizeaza o margine inferioară a schimbarii ratei de selecție de la generația t la
generaț ia t+1 , în conformitate cu:

( , ) ( )[ ( , 1)] ( , )* *[1 * * ( )]1 ()cmf H t HE m H t m H t p p Hl ft    
[20]
Unde
cp
este probabilitatea de crossover
mp
este probabilitatea de mutație
()ft
este fitnessul mediu al populației la momentul t
( , )f H t
este fitnessul mediu al cromozomilor instanțe ale schemei H la momentul de timp t
( , )m H t
este numărul de șiruri din schema H în generația t
()H
este ordinal schemei H
()H
este lungimea utilă a schemei H

În timpul funcționării, algoritmul genetic este caracterizat de un paralelism intrinsec datorită
faptului că menține simultan un număr mare de scheme. În conformitate cu teorema schemelor,
adecvarea va crește în generațiile succesive.
Blocurile constructive sunt o categorie de scheme cu o calitate peste medie și cu ordin și lungimi
mici. Operatorii genetici asigură combinarea blocurilor constructive, generându -se pe parcursul
generațiilor altele din ce în ce mai bine adaptate, cu conver gență spre soluția optimă.

3.1.2 Programarea genetică

Programarea genetică poat e fi considerată ca o particularizare a algoritmilor genetici. În cadrul
acestei tehnici, rutinele de calcul sunt codate sub formă de gene. Setul de cromozomi format cu aceste
gene evoluează generând programe capabile să rezolve problema dată. Reprezentarea este de obicei
arborescentă, fiind utilizate limbaje pentru care această reprezentare este nativă. Există și alte feluri de

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
56 reprezentări care permit utilizarea unor limbaje d e programare mai cunoscute (în cazul programării
genetice liniare ).
Funcțional, în cadrul GP sunt prezente următoarele componente [21]:
– Un set de date terminale si de funcții primitive
– O func ție fitness
– Un criteriu de terminare
– Un set de parametrii de funcționare a algoritmului.
Setul de date terminale este format din constante, date de intrare ale programelor și funcții fără
argument. .
Setul de funcții primitive conține operatori matematici, instrucțiun i, operatori booleeni, etc.
Întrucât setul de funcții și de date terminale determină mărimea spațiului de căutare este indicat
ca acestea să nu fie foarte dezvoltat și să se afle în concordanță cu problema de rezolvat. De asemenea,
este important ca funcț iile alese să poată utiliza întregul set de constante și date de intrare disponibile
pentru a sigura o rulare fără erori a algoritmului.
Funcția fitness este cea care determină gradul în care un program își îndeplinește sarcinile. În
funcție de problema de rezolvat, poate fi definită ca nivel al erorilor dintre ieșirea dorită și cea prezentă,
timp de rulare, acuratețe de clasificare, îndeplinirea criteriilor de programare impuse de utilizator, etc.
Scopul ei este de a măsura evoluția indivizilor componen ți ai populației în mod continuu. Poate conține
mai multe criterii de evaluare, active simultan, caz în care este o funcție fitness multiobiectiv.
Algoritmul de selecție este o parte importantă în programarea genetică. După ce a fost măsurată
adecvarea fiec ărui individ, trebuie să se deci dă asupra căruia se vor aplica operatorii genetici și care
vor fi înlocuiți sau păstrați. Există mai multe tipuri de operatori de selec ție (proporțională cu fitnessul,
pe bază de turnir, prin trunchiere, etc.) , metoda care va fi aplicată va avea o implicare directă în rularea
algoritmului. De asemenea, selecția influențează viteza de evoluție a populației și este responsabilă de
evitarea convergenței premature sau a uniformizării populației.
Criteriul de terminare poate fi timp de rulare (atât ca număr de iterații cât ș i ca unități de timp)
sau atingerea unei valori a funcției fitness.
Setul de parametrii de funcționare a algoritmului este constituit din dimensiunea populațiilor,
probabilități de aplicare a operatorilor genetici, număr de iterații și în principal orice parametru care
influențează rularea algoritmului.
Din punct de vedere al algoritmului, acesta este identic cu un algo ritm genetic, fiind
particularizați operatorii genetici și reprezentarea cromozomilor în funcție de limbajele de programare
utilizate. Astfel, în prima etapă este generată populația inițială de programe, din setul de funcții
primitive și terminale. În cont inuare sunt repetați următorii pași:
– Se execută fiecare program în parte și i se calculează valoarea funcției fitness
– În conformitate cu această valoare sunt selectate programele asupra cărora se vor aplica
operatorii genetici
– Se generează noi indivizi în urma aplicării acestor operatori.
până când este identificată o soluție acceptabilă sau este îndeplinită condiția de oprire a algoritmului.
Este returnat individul cel mai adaptat din populație.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
57 Din punct de vedere al programării genetice multiobiectiv, î ntrucât tehnica este derivată din
algoritmi genetici, metodele sunt asemănătoare. Abordarea problemei multiobiectiv în cadrul GP se
poate face atât prin combinarea ponderată a obiectivelor într -o singură funcție fitness, noua funcție
fiind de forma:

ii
iF a f

unde F este funcția fitness multiobiectiv,
if sunt funcțiile obiectiv particulare iar
ia ponderile,
cât și prin păstrarea separată a obiectivelor, caz care poate fi abordat cu ajutorul noț iunii de optimizare
Pareto.
Caracteristica principală care distinge programarea genetică de ceilalți algoritmi evolutivi este
capacitatea acesteia de a -și adapta complexitatea soluțiilor. Întrucât rezultatul programării genetice sunt
programe, această cap acitate este importantă întrucât s -a demonstrat [22] că există o barieră inferioară
a complexității sub care algoritmii nu își mai pot realiza scopul.

3.1.3 Programarea evolutivă

În anii 1960, Lawrence J.Fogel (autorul bazelor programării evolutive) considera că
inteligența este caracterizată de adaptarea la condițiile de mediu, fiind o combinație de capacitate de a
face o predic ție a mediului ambiant și de posibilitate de a trans forma această predicție într -un răspuns
adecvat în raport cu problema de rezolvat.
Mediul a fost definit ca o secvență de simboluri alese dintr -un alfabet finit . Din acest punct de
vedere, programarea evolutiva (EP) a fost definită ca și capacitate a unu i program care are ca date de
intrare secvența de simboluri de a produce un simbol care maximizează performanțele programului atât
din punct de vedere al următorului simbol care va apărea în mediu cât și al unei funcții obiectiv . Pentru
reprezentare au fos t utilizate automate cu stări finite determinist de forma
0 ( , , , )X S S  unde

reprezintă mulțimea finită a simbolurilor de intrare, S este mulțimea stărilor prin care poate trece
automatul,
0S este starea inițială iar
 este funcția de tranziție a automatului, de forma
,( , ) s s x adică
automatul va trece în starea
,s dacă fiind în starea
s va citi simbolul x. Dacă acestui automat i se adaugă
o bandă de ieșite care înregistrează câte un simbol de ieșire de obține o mașină Turing.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
58
Figure 25 Automat cu stări finite

Din p unct de vedere al programării evolutive, simbolul de ieșire este predicția mașinii pentru
starea următoare a mediului. Valoarea acestei predicții este măsurată cu o funcție de câștig ce cuantifică
diferența dintre simbolul de ieșire și următorul simbol de intrare. Programarea evolutivă urmărește
obținerea unor automate care să îți modifice comportamentul pentru creșterea capacității de a face
previziuni corecte referitoare la simbolurile de intrare care descriu mediul.
Ca algoritm:
– Se generează aleatoriu populația de mașini Turing
– Membrilor acestei populații le este prez entată mulțimea de simboluri care reprezintă mediul.
Pentru fiecare simbol de intrare ( pentru fiecare mașină din populație) , simbolul de ieșire va
fi comparat cu următorul simbol de intrare
– Se calculează funcția de câștig pentru fiecare predicție
– Se evalu ează indivizii din populație
– Se aplică operatorul de mutație pentru un număr x de mașini din populația P, generând
populație
1P
– Se evaluează indivizii din
1P
– Din
1 PP se aleg în funcție de câștig μ indivizi care devin noua generație
– Se repetă etapele până când este detectată o mașină Turing ce realizează predicția corectă iar
simbolul respectiv este marcat ca fiind verificat și se repetă algoritmul pentru toate
simbolurile de intrare.
Spre deosebire de ceilalți algoritmi evolutivi, în cazul programării evolutive principalul
operator este mutația. Din punct de vedere al unei mașini Turing, mutația se poate manifesta prin:
– Modificarea simbolului de ieșire
– Adăugarea sau modificarea unei stăr i a automatului
– Ștergerea unei stări
– Modificarea stării inițiale.
După ce este aplicată mutația, din totalul automatelor existente (atât cele inițiale cât și cele

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
59 modificate) sunt alese doar cel e mai adecvate mediului, până la formarea unei populații comp lete.
Deoarece valoarea simbolurilor de intrare se modifică după fiecare prezentare a unui simbol,
valoarea adecvării trebuie să se modifice pentru a reflecta evoluția față de starea anterioară. Această
modificare imprimă evoluția algoritmului și evitar ea uniformizării populației.

3.1.4 Strategii evolutive
Strategiile evolutive sunt o ramură a algoritmilor evolutivi, fiind dezvoltate în anii 1970 de Ingo
Rechenberg și Hans -Paul Schwefel ca urmare a necesității de a aborda probleme de căutare cu
parametrii numere reale, variabili. De aceea, reprezentarea indivizilor din populație este de forma unor
vectori cu componente reale. Operatorul genetic de bază este mutația. În principal sunt destinate pentru
abordarea problemelor de optimizare caracterizate de func ții continue.
Algoritmul de optimi zare al strategiei evolutive 1+1 (– doi membrii ai populației sunt comparați
și este selectat cel cu valoarea funcției fitness mai mare – [23] consideră o populație formată din un
cromozom cu componente numere reale. Mutația modifică valoarea genelor din acest cromozom iar
din cei doi este ales cel mai adecvat .
Generalizarea strategiei evolutive 1+1 implică cre șterea numărului de cromozomi părin ți,
descendenți sau părinți și descendenți, toate purtând denumirea generică de strategii evolutive (μ,λ)
unde, pornind de la μ componente ale populației curente, sunt generate λ componente noi din care sunt
selectate după adecvare cele μ componente ale populației următoare și (μ+λ) unde sunt generate λ
componente noi iar din cele μ+λ elemente sunt selectate după adecvare cele μ componente ale
populației următoare .

Algoritmul unei strategii evolutive este următorul:
– se generează populația inițială
– până se atinge condiția de oprire se execută următoarel e operații:
o se calculează funcția fitness pentru elementele din populația curentă
o se generează populația de urmași prin recombinare
o se aplică operatorul de mutație asupra populației de urmași și se evaluează rezultatele
o se aleg componentele pentru noua gen erație.
Operatorii specifici strategiilor evolutive sunt:
a. Mutația – produce modificări de amplitudine mică a componentelor populației . Chiar
dacă funcționarea algoritmului strategiei evolutive este asemănătoare cu algoritmii
genetici, din punct de vedere a l mutației diferența este că în cadrul ES se favorizează
mutații de amplitudine mică pe când in cazul GA nu există astfel de condiții. Operatorul
acționează prin introducerea unui vector de mutație în vectorul care reprezintă individul
care va fi afectat. Valoarea medie a vectorului de mutație este nulă pentru a nu introduce
tendințe de deplasare spre regiuni particulare ale spațiului de căutare. Din punct de
vedere al repartiției, cele mai frecvente tipuri utilizate sunt repartiția normală în care
element ele vectorului de mutație sunt independente, generate uniform aleatoriu într -un
interval de valori date și repartiția normală în care elementele vectorului de mutație sunt
independente fiind valori aleatoare cu media nulă.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
60 b. Recombinarea este operatorul care produce schimbul și perpetuarea informa ției între
indivizii populației. Permite participarea unui număr variabil de părinți, putând fi o
recombinare discretă în care fiecare componentă a urmașului se selectează din
componentele corespunzătoare ale părinți lor sau o recombinare intermediară in care
componentele urmașului sunt combinaț ii ale componentelor părinților. Ca modalități de
recombinate, cele mai uzuale în cazul strategiilor evolutive sunt recombinarea liniară în
care componentele urmașul sunt combin ații liniară ale componentelor părinților,
recombinarea discretă în care componentele urmașului sunt componentele părinților
alese cu o anumită probabilitate dependentă sau nu de fitnessul părin ților, recombinarea
geometrică, recombinarea euristică și recombinarea de tip simplex.
c. Selecția, care se aplică în vederea stabilirii compon entelor populației următoare. Î n
funcție de participanții la această selecție putând fi:
a. selecție (μ,λ), cu condiția ca μ<λ, unde noua populație se formează prin selecția
a μ elemente din cele λ generate de operatorii de mutație și recombinare ;
b. selecție (μ+λ), unde noua populație se formează prin selecția a μ elemente din
cele generate de operatorii de mutație și recombinare împreună cu cele
componente ale populației inițiale .
Alegerea între variantele (μ,λ) și (μ+λ) este determinată de problema ce trebuie
Rezolvată, neexistând rezultate care să certifice superioritatea uneia din cele două
metode.
Metoda de s elecția poate fi poate oricare din metodele folosite în cazul algoritmilor
genetici, cele mai folosite fiind prin trunchiere în care se aleg cele mai bine adaptate n elemente
din populația urmașilor sau a urmașilor împreună cu a părinților sau selecția prin turneu .

4 Utilizare a algoritmi lor genetici în optimizarea sistemelor informatice
distribuite

Sistemele informatice distribuite, prin natura structurii, sunt caracterizate de un set de constrângeri,
de multe ori având un caracter concurențial. Limitările pot fi atât din punc t de vedere al resurselor de
calcul, cât și al resurselor de comunicații, al parametrilor serviciilor furnizate/utilizate sau al alimentării
cu energie electrică. Din acest punct de vedere, optimizarea acestor sisteme este o problemă de
optimizare multicri terială, pretabil a fi abordată prin tehnici evolutive.
Acest capitol se bazează pe abordările și rezultatele publicate în lucrările [24], [25], [19], [26],
[27], [28], [12], [29] de Maniu R. și Dumitru L. Acestea conțin atât abordări evolutive ale diverselor
probleme de optimizare a funcționării sistemelor informatice cât și detalierea problemelor de
adaptabilitate a operatorilor genetici.
În articolele [24], [25], [27], [12] au fost prezentate soluții evolutive pentru diverse probleme
(dificil de abordat prin mijloace deterministe) cu care se confruntă sistemele informatice luând în
considerare direcțiile de dezvoltare ale domeniului IT. Au fost pro puse soluții care implică o abordare
sistemică a solicitărilor din partea utilizatorilor și a resurselor hardware și software disponibile.
Studiile au fost direcționate cu precădere spre domeniul asigurării necesarului de comunicații,
considerând ca un si stem distribuit are o structură heterogenă, atât din punct de vedere al elementelor
de prelucrare a datelor cât și al infrastructurii de comunicații. Ținând cont de necesarul de mobilitate

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
61 ceea ce presupune o structură dinamica a sistemului informatic, au fost propuse soluții genetice pentru
a asigura configurarea/reconfigurarea dinamică a rețelei pentru asigurarea serviciilor solicitate.

4.1 Metode de optimizare a componentei de comunicații a sistemelor distribuite.
Context. Aplicații

4.1.1 Context:

Noile tehnologii împreună cu creșterea accelerată a resurselor necesare pentru ca sistemele
informatice moderne să își poată îndeplini funcțiile sunt afectate de o serie de limitări existente ca o
consecință a tehnologiilor anterioare. Furnizarea de servi cii de comunicații cu respectarea cerintelor de
calitate a serviciilor în condițiile sistemelor informatice distribuite actuale este dificilă , în general având
ca bază stiva TCP/IP.
Limitările sunt reprezentate de :
– Complexitatea managementului ca urmare a dezvoltării în timp a protocoalelor de rețea și a
varietății acestora (există tehnologii distincte, multiple, heterogene aplicabile echipamentelor
de comunicații, cu diverse instrumente de administrare, particularizate, în funcție de
producători, echipam ente, vessiuni software, etc.)
– Dinamica scăzută a managementului configurărilor ca urmare a necesității ca administratorul
să intervină pentru modificarea setărilor pe echipamente, cu riscurile potențiale prezente în
aceste cazuri, fiind de preferat ca ace ste intervenții să fie evitate.
– Calcularea rutelor are un grad redus de libertate, fiind bazate pe un număr limitat de metrici,
adăugarea altora fiind atribut al altor metode de management al traficului iar flexibilitatea
rutării este practic inexistentă
– Scalabilitatea implică creșterea dificultății administrării proporțional cu dimensiunea retelei,
în rețelele de mari dimensiuni metodele clasice de administrare fiind ineficiente. Mai mult,
dinamicitatea, atât din punct de vedere al traficului cât și a ech ipamentelor împiedică
actualizarea în timp real a rutelor
– Convergența politicilor aplicate în rețelele heterogene,fiind dificil de implementat un set de
reguli generale (pentru securitate, calitate a serviciilor, acces, etc.) în condițiile existenței
unui număr mare de echipamente și protocoale și de adoptare a unora noi
– Dezvoltarea virtualizării care imprimă necesitatea dimensionării dinamice a capacităților de
stocare, comunicații, procesare.
– Abordarea prin instrumente de sine stătătoare a managementul co municațiilor (rutarea ,
securitatea, controlul accesului ș i elementele de calitate a serviciilor nefiind elemente
integrate) .
Algoritmii de rutare clasici prezintă la rândul lor limitări, nefiind adecvați dimanicității. În
sisteme de comunicații standard, cu elemente bine definite și cu dinamică redusă, protocoalele de rutare,
indiferent dacă sunt bazate pe vectori distanță sau pe calea cea mai scurtă, utilizează algoritmii lui
Dijkstra, Bellman -Ford sau Ford -Fulkerson [30] . Aceștia au timp de rulare, în ordinul pătratului
numărului de vârfuri respectiv a numărului de vârfuri inmulțit cu numărul de muchii sau numărului de

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
62 muchii înmulțit cu debitul maxim prin graf (dacă rețeaua este reprezentată sub formă de graf), timp
prea mar e pentru calcularea rutei în condiții de dinamicitate structurală .
Nici în rețelele de tip MANET (Mobile AdHoc Networks) protocoalele de rutare nu sunt bazate
pe algoritmi care oferă performanțe bune în condiții de dinamicitate și dimensiuni mari ale sis temului.
Indiferent dacă sunt algoritmi proactivi (Optimized Link State Routing Protocol [31], BABEL [32],
Destination Sequence Distance Vector [33], Distance Routing Effect Algorithm for Mobility [34]),
reactivi(Associativity -Based Routing [35], Ad hoc On -demand Distance Vector [36]) sau hibrizi (Zone
Routing Protocol ), reacționează încet la modificări ale topologiei, au un consum mare de resurse pentru
întreținerea rețelei, au convergență lentă și sunt influențați de modificări ale traficului.
Ca urmare a acestor limitări, este necesară apariția unor metode noi de rutare (mai dinamic e,
dependente de mai multe metrici, eventual stabilite de administratori), de o modificare a metodelor de
configurare a echipamentelor (d inamic, automat) și dezvoltarea de tehnologii care să susțină
dinamicitatea sistemelor.

4.1.2 Lucrări conexe referitoare la metodele de optimizare a componentei de
comunicații a sistemelor distribuite

În continuare sunt prezentate metode multicriteriale de generare a rutelor în sisteme informatice
distribuite, metode bazate pe algoritmi evolutivi.

4.1.3 SAEN

Lucrarea [12] propune un model evolutiv de rețea de comunicații, SAEN (Self Adaptive
Evolutionary Network) bazat de balansarea și analiza istoricului traficului în calcularea genetică a rutei
optime.
Majoritatea rețelelor de comunicații clasice utililizează algoritmi de rutare bazați pe distanță,
dinamica și comportamentul în timp al rețelei nefiind parametrii luați în considerare în acești algoritmi.
Prioritizarea traficului, limitarea acestuia, balansarea sau setarea unor rute specifice sunt realizate în
prezent de administratori. Deoarece noile modele de rețele sunt caracterizare de o mare heterogenitate
și dinamism, caracteristici susținute de noile tehnologii (Internet of Things, calculul ubicuu, Smart
Dust, etc.) intervenția operator ului uman va deveni practic imposibilă, fiind necesară apariția unor
rețele intreligente, cu capacitate de autoorganizare.
SAEN propune o modalitate de rutare multilink, bazată pe analiza în timp real a traficului (în
funcție de tip și de volum) precum și pe istoricul rețelei (din punct de vedere statistic ca model de
trafic), soluția de rutare fiind generată utilizând tehnici evolutive .
Deoarece SAEN se referă la rețele dinamice, funcție fitness trebuie să conțină elemente care să
se refere la starea cur entă a cromozomilor (rutele din populație), la tendințele de evoluție a traficului
cât și la istoric, fiind practic o sumă de componente:

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
63

  
   
11rt
N
i=
hsFit C = Current C,Cf (
W SubFit Realtime C ,Cf +
N + i SubFit History C,i ,Cf
W)N

 


Unde:

–
 Current C,Cf este funcția care verifică dacă cromozomul îndeplinește un minim de
cerințe, specificate de clasificatorul
Cf , fiind o funcție discriminant
–
Cf reprezintă un set de proprietăți care definesc traficul, impunând un set de cerințe pentru
acesta împreună cu limitele tolerate, fiind de forma:

 
 ..
1/Cf=
….InputFilter sourceAS, proto,QoS,others
Name Latency,Bandwidth
Param Min Max tolerated value
Fitness weight
ParamN






–
… SubFit este componenta funcției fitness care include parametrii referitori la istoricul
rețelei și la starea acesteia în timp r eal
–
 Realtime C este funcția care descrie tendința prezentp de evoluție a rețelei din punct de
vedere al parametrilor acesteia
–
 History C,i este parametrul responsabil cu descrierea comportamentului din punct de
vedere istoric al link -urilor componente ale rutei descrise de cromozomul C
– Parametrul i specifică adâncimea în trecut pentru care este calculată valoarea funcției
 History C,i

–
rtW și
hsW sunt ponderi care determină influența tendinței prezente de evoluție a rețelei și
influența istoricului. Întrucât valoarea și parametrii traficului, starea link -urilor și întârzierile
sunt elemente importante care descriu funcționarea sistemului de comunicații, valoarea lui
rtW
va fi mai mare decât valoarea lui
hsW .
Din punct de vedere al cod ării, cromozomii sunt reprezentați ca șir, semnificând ruta de la sursă
la destinație. Întrucât lungimea șirului este egală cu numărul total de noduri din rețea iar ruta poate
include un număr mai mic de noduri, spațiile rămase libere se completează cu valoarea 0.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
64 Crossover -ul propus este într -un punct de tăiere, la mijlocul rutei, probabilitatea acestuia fiind
adaptivă, descrisă de relația:

current max
crossover
max minFitness FitnessP = A+ A BFitness Fitness

Unde:
– A și B sunt valorile minime și maxime impuse pentr u probabilitatea de crossover, ele fiind
necesare pentru asigura convergența înspre valoarea optimă și evitarea blocării algoritmului
într-un minim local
–
current Fitness reprezintă valoarea fitness -ului pentru cromozomul curent
–
max Fitness reprezintă valoarea maximă a fitness -ului în generație
–
min Fitness reprezintă valoarea mainimă a fitness -ului în generație .

Din punct de vedere al operatorului de mutație, în lucrarea [12] este propusă o mutație adaptivă,
mecesară pentru a asigura parcurgerea completă a spațiului soluțiilor dar a nu altera cromozomii cei
mai bien adaptați. Ca urmare, probabilitatea de mutație va fi formată dintr -o componentă care este
dependentă de adecvare a cromozomului și de o componentă care ține cont de diversitate, fiind de
forma:

2mutation fitness mutation diversity
mutationP + PP=

Componenta
mutation fitnessP este dependentă de valoarea fitness -ului, având forma:

current min
mutation fitness
max minFitness FitnessP = C CFitness Fitness

Unde C este valoarea maximă a mutației pentru parametrul dependent de fitness .

Componenta
mutation diversityP este determinată de diversitatea cromozomilor din populație, fiind
descrisă de relația:

current min
mutation diversity
max minIIP = K KImax I

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
65 Unde:
– I este momentul de inerție propus de Morrison și De Jong în lucrarea [18], fiind de forma:
2
11j= p i=n
ij i
i= j=I = x c 

–
1j=P
ij
j=
iX
c=P
– P este numărul de cromozomi din generație
– N este lungimea cromozomului
–
ijX sunt coordonatele cro mozomului în spațiul soluțiilor
– K este valoarea maximă a mutației pentru parametrul dependent de diversitate.

Algoritmul trebuie să pornească în momentul apariției unii stimul (modificare a arhitecturii
rețelei, solicitări din partea utilizatorilor, etc. ) să ruleze un timp limitat. Deoarece criteriul de oprire
este atingerea unei valori a fitness -ului sau expirarea timpului de rulare, este posibil să existe cazuri în
care aceste criterii nu pot fi îndeplinite. În aceste condiții, algoritmul va fi repornit fiind utilizată o altă
populație inițială.
Prin abordarea prezentată anterior, SAEN oferă o modalitate automată de realizare a
managementului unor rețele complexe, heterogene, dinamice cu implicare minimă a factorului uman.
Propune o trecere de la metode deterministe de căutare a soluțiilor la metode bazate pe tehnici
probabilistice, pe inteligență artificială.
Includerea istoricului în metoda de căutare a soluțiilor va conduce la evitarea rezultatelor care
conțin rute ce este posibil să nu fie adecvate în diverse intervale de timp.

4.1.4 Tehnici genetice aplicate în managementul rețelelor moderne

Conceptul ”mobili ty for everyone” și implicit existența unui număr mare de elemente cu
capacitate de calcul conectate la sisteme de comunicații precum și scalabilitatea necontrolată, de
conjunctură, condusă de evenimente transformă managementul rețelei într -o problemă de optimizare
multicriterială.
Menținerea funcționării unui sistem de comunicații presupune stabilirea unui set de rute între
surse și destinații.
Indiferent de tipul protocoalelor de rutare, indiferent dacă sunt bazate pe starea legăturilor sau
pe vectori distanță, în momentul actual ele sunt bazate pe algoritmul lui Dijkstra pentru calcularea rutei
minime. Deoarece determinarea rezultatului este în timp de
2||OV cu variante, în funcție de
reprezentarea grafului de
(| | | | log | |)O E V V , unde |E| reprezintă numărul de link -uri între două
vârfuri adiacente iar |V| numărul de vârfuri, creșterea complexității rețelei va determina un timp de
rulare crescut al algoritmului. O dinamică crescută și un sistem de comunicații complex poate c onduce
la imposibilitatea calculării deterministe a rutelor în timp util.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
66 Articolul [29] propune o soluție bazată pe algoritmi genetici pentru a asigura funcționarea
acestui tip de rețele, asigurând alocarea eficientă a resurse lor și re spectarea calității serviciilor,
problema rutării fiind prezentată ca o minimizare a funcției :

𝐹=∑ 𝐷
𝑖=𝑆∑ 𝐶𝑖𝑗∗𝐼𝑖𝑗𝐶
𝑗=𝑆

Unde
– S este sursa
– D este destinația
– 𝐶𝑖𝑗 este costul rutei dintre nodurile i și j
– 𝐼𝑖𝑗 este un parametru boolean care specifică dacă între nodurile i și j există o rută directă, fiind de
forma:
𝐼𝑖𝑗={1,𝑖𝑓 𝑡ℎ𝑒 𝑙𝑖𝑛𝑘 𝑖−𝑗 𝑒𝑥𝑖𝑠𝑡𝑠 𝑖𝑛 𝑟𝑜𝑢𝑡𝑖𝑛𝑔 𝑝𝑎𝑡ℎ
0,𝑜𝑡ℎ𝑒𝑡𝑤𝑖𝑠𝑒 𝑜𝑟 𝑖𝑓 𝑖=𝑗

Din punct de vedere al reprezentă rii, un cromozom definește o rută, genele acestuia fiind
noduri intermediare între sursă și destinație.
Pe parcursul rulării algoritmului se urmărește minimizarea valorii fitness -ului cromozomilor pe
parcursul generațiilor, funcția fitness fiind definită de ecuația:

𝑓𝑖𝑡𝑛𝑒𝑠𝑠 𝑖=∑ 𝐶𝑔𝑖(𝑗),𝑔𝑖(𝑗+1)𝑙𝑖−1
𝑗=0

Unde

– 𝑓𝑖𝑡𝑛𝑒𝑠𝑠 𝑖 este valoarea fitness -ului pentru cromozomul i
– 𝑙𝑖 este lungimea cromozomului i
– 𝐶𝑎,𝑏 reprezintă costul legăturii dintre 2 noduri adiacente a și b

Întrucâ t algoritmul urmărește optimizarea funcționării rețelei, costul 𝐶𝑎,𝑏 include parametrii
link-ului, fiind de forma:

𝐶𝑔𝑖(𝑗),𝑔𝑖(𝑗+1)=𝑓(delay ,bandwidth ,stability ,jitter ,loss ).

Crossover -ul aplicat în articol este într -un punct de tăietură iar mutația este aleatoare, afectând
5% din populație.
Criteriul de oprire al algoritmului este o populație stabilă împreună cu un timp maxim de rulare.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
67 Studiul a urmărit rezultatele produse de un algoritm genetic pentru identificarea drunului cu
cost minim într-o graf, în funcție de numărul de muchii existente, pentru număr diferit de cromozomi
în generații, luând ca o constantă timpul de rulare.
Din punct de vedere experimental, rețelele au fost reprezentate sub formă de graf, având un
număr de 50 noduri .

a. Utilizând o rețea generată aleator, cu 50 de noduri și 1000 link -uri, care are ruta de cost minim
între două noduri desemnate cu valoare 3 iar următoarea rută ca valoare dintre cele două noduri
având valoarea 4, rulând un algoritm genetic cu 100 cromozo mi atât pentru generația părinților
cât și pentru generația urmașilor , timpul dintre 2 iterații este crescut datorită numărului de
calcule. Pentru același interval de timp, la 10 rulări ale algoritmului, a fost generată ruta de cost
4 de 3 ori și de 7 ori ruta cu cost minim 5. Dacă numărul de cromozomi din generații a fost
scăzut la 50, în 10 rulări pentru același interval de timp, a fost identificată ruta cu cost minim 3
de 2 ori, ruta cu cost minim 4 de 5 ori si de 2 ori ruta cu cost minim 5. Pentru gener ații de 30
cromozomi, în același timp a fost identificată ruta cu cost minim 3 de 5 ori, ruta cu cost minim
4 de 4 ori și ruta cu cost 5, o dată iar pentru 20 cromozomi în generație a fost identificată
valoarea 3 ca minim de 5 ori și valoarea 4 de 5 ori.
În toate cazurile, ruta cu valoare 5 a fost identificată după aproximativ 10% din timpul de rulare.

b. Utilizând o rețea generată aleator, cu 50 de noduri și 200 link -uri, care are ruta de cost minim
între două noduri desemnate cu valoare 4 iar următoarea ru tă ca valoare dintre cele două noduri
având valoarea 5, rulând un algoritm genetic cu 100 cromozomi atât pentru generația părinților
cât și pentru generația urmașilor, și în acest caz timpul dintre 2 iterații este crescut. Pentru
același interval de timp, la 10 rulări ale algoritmului, a fost generată ruta de cost 6 o dată și de
9 ori ruta cu cost minim 8. Dacă numărul de cromozomi din generații a fost scăzut la 50, în 10
rulări pentru același interval de timp, a fost identificată ruta cu cost minim 6 o dat ă, ruta cu cost
minim 6 de 5 ori si de 4 ori rute cu cost mai mare de8. Pentru generații de 30 cromozomi, în
același timp a fost identificată ruta cu cost minim 5 o dată, ruta cu cost minim 8 de 9 ori iar
pentru 20 cromozomi în generație a fost identificat ă valoarea 6 ca minim o dată și valoarea 8
de 9 ori. În toate cazurile, ruta cu valoare 8 a fost identificată după aproximativ 10 -15% din
timpul de rulare.

Așa cum se observă în teste și cum este prezentat și în articol , utilizarea algoritmilor evolutivi
pentru identificarea drumului de cost minim este eficientă pentru grafuri dens conectate, unde ruta
optimă sau aproape de această valoare este detectată în timp scurt.
Un număr mare de cromozomi în populație implică un număr proporțional de calcule, cu
implicații în timpul necesar al unei iterații. Chiar dacă acoperirea spațiului de căutare este foarte bună,
timpul de convergență este mare, ruta optimă fiind rar detectată.
Scăderea dimensiunii populațiilor accelerează funcționarea căutării, ruta de cost minim fiind
detectată mult mai des decât în cazul anterior, deci algoritmul se îndreaptă mai rapid spre convergență.
Situație este diferită în cazul unor grafuri cu număr scăzut de muchii. În același interval de
timp utilizat pentru grafurile dens conec tate, ruta optimă a fost detectată mai rar, în acest caz, algoritmii
determiniști fiind mai adecvați.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
68

4.1.5 Explorarea posibilităților unui controller SDN adaptiv

Prin utilizarea capacității de a controla traficul de date, în controller -ul rețelelor SDN pot f i
implementate funcții de alocare dinamică a resurselo r, bazate pe tehnici genetice.
În [25] autorii propun o soluție de rutare într -un mediu SDN, soluție bazată de o arhitectură
SAEN. Chiar dacă aceast mediu este este un concept nou în managementul rețelelor, fiind dezvoltat
pentru a răspunde cerințelor sistemelor de comunicații mari și cu dinamicitate ridicată, întrucât este
bazat pe algoritmii de rutare clasici, nu oferă rezultate opt ime în medii cu dezvoltare exponențială ,
impredictibilă.
Întrucât la nivelul acestui tip de rețele sunt prezente date în timp real referitoare la starea și
parametrii întregii infrastructuri de comunicații și a necesarului de servicii, este posibilă implementarea
unui algoritm genetic care să genereze soluții de configurare a elementelor de comunicații.
În vederea testării, a fost implementat un algoritm genetic cu o populație de 50 cromozomi,
selecția bazată pe fitness, mutație aleatoare în proporți e de 5% iar operatorul de crossover în un punct
de tăietură. Rețeaua de test a fost generată având 2000 noduri și 15000 link -uri, costul link -ului fiind,
aleator, în intervalul de valori 1 -10.
Au fost executate 10 rulări ale algoritmului, utilizând 10 reț ele generate aleator, pentru fiecare
rețea fiind generată altă populație inițială. A fost urmărit numărul de generații după care algoritmul
ajunge în starea de convergență și valoarea minimă a fitness -ului. Rezultatele sunt prezentate în tabelul
următor:

Running
number Number of iterations
until convergence Fitness for
solution
1 15 5
2 13 6
3 13 4
4 11 3
5 6 1
6 16 6
7 11 5
8 16 3
9 18 3
10 13 5

Tabel 1 Rezultatele obținute în 10 rulări ale algo ritmului genetic pentru 10 rețele generate aleator
Așa cum se observă din experimente și cum este specificat și în articol, rularea unui algoritm
genetic utilizând o rețea cu un număr mare de noduri și link -uri va genera un set de soluții adecvate

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
69 problemei după un număr relati v mic de generații. Rezultatul nu este neapărat cel mai bun dar
îndeplinește cerințele impuse și este livrat în timp util, caracteristici care recomandă utilizarea acestori
algoritmi în rețele dinamice.

4.1.6 Generarea genetică a unei rețele Internet of Think s suprapuse

În prezent, Internet of Things reprezintă una din noile tendințe de evoluție a zonei IT. În astfel
de sisteme informatice, parametrii sistemului de comunicații sunt importanți, iar, pentru îmbunătățirea
acestora una din soluții este utilizarea unei rețele suprapuse peste infrastructura de comunicații avută
la dispoziție. În lucrarea [27] autorii propun generarea prin metode genetice a unei astfel de topologii
de comunicații, bazându -se pe infrastructura existentă și pe cerințele se servicii impuse.
Ca funcționare, o rețea IoT implică un schimb de date între mai multe entită ți, utilizând o
structură de comunicații care poate fi atât una publică cât și una dedicată. Este posibil ca în caziul unei
rețele publice să existe momente cand aceasta nu este disponibilă sau nu oferă parametrii optimi pentru
transferul de date. Mai mult decât atât, datorită heterogenității componentelor și a a serviciilor,
comunicația între elementele IoT poate necesita o arhitectură specifică. Întrucât este dificil de construit
și întreținut o rețea proprie unui sistem IoT, mai ales dacă este implementat pe o arie geografică mare,
o soluție eficientă este construirea unei rețele suprapuse peste infrastructura de comunicații disponibilă
în zonă. Arhitectura unui astfel de sistem de comunicații este prezentată în figura următoare.

Figure 26 Arhitectura unei rețele suprapuse [30]

Din punct de vedere al avantajelor, o astfel de rețea poate îmbunătăți disponib ilitatea și
întârzierile rețelelor gazdă dar prezintă o creștere a complexității și o scădere a benzii de transfer
disponibile datorită informației suplimentare adăugate. Nodurile sunt plasate astfel încât să poată
oferi o îmbunătățire a performanței, fiind noduri de tip releu între nodurile generatoare de date si
destinație.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
70
Figure 27 Exemplu de rețea pe două straturi [31]

Plasarea nodurilor într -o rețea stratificată poate fi descrisă prin utilizarea grafurilor, fiecare nod
releu fiind un varf al unui graf iar legătura dintre aces tea fiind muchiile. Fiecare muchie are un cost.
Este necesară identificarea configurațiilor pentru care costul rutei dintre sursă și destinație să fie minim.
Fiind vorba de un set de soluții, este oferită și redundanța, în fiecare moment putându -se opta pe ntru o
rută alternativă.
Prin utilizarea tehnicilor genetice este posibilă generarea seturilor de soluții cu minimizarea
costurilor , în [27] autorii implementând un algoritm genetic si testând funcționarea acestuia pe diferite
tipuri de rețele .
În algoritmul genetic utiliz at, cromozomii definesc rutele, genele reprezentând noduri
intermediare între sursă și destinație.Scopul algoritmului es te minimizarea costului rutei dintre sursă și
destinație. Operatorul de selecție alege dintre 2 cromozomi pe cel mai adaptat și îl promovează spre
generația următoare. Crossover -ul implementat este într -un punct de tăiere, la jumătatea rutei. Mutația
este aleatoare, în proporție de 5%. Criteriul de oprire al algoritmului este numărul de iterații (100).
Testele au fost efectuate asupra a cinci rețele generate aleator, cu următorii parametrii:

– 100 noduri, 4000 link -uri între noduri, the link -uri costs între 0 and 10;
– 80 noduri, 28000 link -uri între noduri, costul link -uri fiind aleator între 0 și 10;
– 60 noduri, 1500 link -uri între noduri, costul link -uri fiind aleator între 0 și 10;
– 40 noduri, 650 link -uri între noduri, costul link -uri fiind aleator între 0 și 10;
– 20 noduri, 150 link -uri între nodes costul link -uri fiind aleator între 0 și 10.
Au fost efectuate testele cu un număr de 10, 20, 25, 30 și 40 cromozomi în generații. Fiecare
algoritm a fost rulat de 10 ori cu același set de date.
Evoluția fitness -ului total este prezentată în figur a 28, valorile reprezentate fiind mediile celor
zece rulări ale algoritmului.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
71

Figura 28 Valorile medii ale fitness -ului pentru cele 5 tipuri de rețele în cadrul generării rețelel or suprapuse.

Ca rezultate, pentru rețeaua cu 100 noduri au fost generate 23 rute distincte care conțin un
total de 34 noduri, pentru rețeaua cu 80 noduri au rezultat 14 rute distincte cu 27 noduri, pentru cea cu
60 noduri, 12 rute care conțin 60 noduri. Pentru rețeaua cu 40 noduri au fost generate 10 rute distincte
cu 11 noduri iar pentru cea cu 20 noduri au rezultat 6 rute separate cu 7 noduri.
Din rezultatele obținute rezultă că este posibilă aplicarea tehnicilor evolutive pentru generarea
unei rețele suprapuse peste o rețea existentă. Cu cât rețeaua este mai complexă, cu atât numărul de
soluții oferite este mai mare.

4.2 Metode de optimizare a algoritmilor genetici utilizați pentru managementul
infrastructurii de comunicații a sistemelor distribuite.

4.2.1 Context

4.2.2 Lucrări conexe referitoare la optimizarea algoritmilor genetici utilizați
pentru managementul infrastructurii de comunicații a sistemelor
distribuite

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
72 4.2.3 Mutarea adaptivă în algoritmii genetici de calculare a rutei minime

În lucrarea [19] autorul propun un operator de mutație adaptiv pentru accelerarea convergenței
unui algoritm genetic utilizat pentru a calcula drumul cu cost minim într -un graf.
Implementarea operatorului de mutație asigură atât parcurg erea întregului spațiu al soluțiilor
cât și evitarea alterării cromozomilor cei mai adecvați și implicit a evoluției algoritmului spre
convergență.
Pentru evitarea convergenței spre o soluție locală în detrimentul celei globale, este necesar ca
populația de cromozomi să fie distribuită în întreg spațiul soluțiilor. Măsura distribuției și implicit
măsura diversității populației este un parametru pe baza căruia operatorul de mutație va acționa asupra
populației de cromozomi. Pentru aceasta, autorul a definit un ”cromozom central” care nu va fi în mod
necesar o soluție a problemei dar la care se vor raporta ceilalți cormozomi din populație pentru a evalua
diversitatea. Fiecare componentă a cromozomului (alelă) central va fi definită ca medie aritmetică a
alele lor din același locus al fiecărui cromozom al populației. Deci cromozomul central va fi de forma:

[ (0), (1),…, ( )]i i i in m m m m

Fiecare alele fiind calculată conform formulei:

0( ) ( ) /N
ij
jk k Nmx


Unde:
– N este numărul de cromozomi din generație
– x(k) este alela numărul k din cromozom
–
()ikm este alela k din cromozomul central

Calcularea distanței dintre cromozomi este definită în lucrare de formula:

0( , ) | ( ) ( ) |N
kk kkidist n n yyxx


Unde:
–
,k kyx sunt cromozomii din generația k
–
( ), ( )k knnyx sunt alelele numărul n din cromozomii
,k kyx .

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
73 În momentul în care algoritmul e convergent distanța dintre cromozomul central și
cromozomii componenți ai generației are valoar e mică. Dacă toți cromozomii din generație sunt
identici, cromozomul central va fi identic cu ei, deci distanțava avea valoarea 0.
Pentru asigurarea diversității din punct de vedere al fenotipului, va fi mutat cromozomul cel
mai apropiat de cromozomul cen tral.
Rata de mutație este un alt parametru important al operatorului de mutație. În algoritmul geneti c
standard rata este constantă, fiind greu de realizat echilibrul dintre divergența crossover -ului și mutației
și convergența selecției.
O rată de muta ție adaptivă asigură echilibrul divergență/convergență al algoritmului prevenind
conver gența prematură. P arametrul care determină probabilitatea de mutație este măsura diversității în
populație, acesta fiind descris de formula:

( ) ( ( ), )kk
iD k dist i xm

Unde
–
kx este cromozomul din generația k
–
km este cromozomul central din generația k .

O valoare mică a diversității relevă faptul că majoritatea cromozomilor sunt grupați într -o arie
restrânsă din spațiul soluțiilor, în jurul cromozomului central iar o valoare mare definește distribuirea
acestora pe o suprafață mai mare. Întrucât populația centrală este generată aleator, inițial diversitatea
are o valoare mare, care va scădea pe măsură ce algoritmul evoluea ză spre convergență. Pentru a asigura
parcurgerea spațiului soluțiilor, diversitatea nu va trebui să scadă sub un anumit prag (pentru acest
articol, pregul fiind stabilit de autor la 0,1 din valoarea calculată pentru generația inițială).
Utilizând această măsură a diversității, procentul de mutație va fi:

min11mut mut(x) (x )( ( (x)) (x))P P D D D   

Unde:
–
mut(x)P este procentul de mutație în generația x
–
(x)D este măsura diversității în generația x
–
minD este valoarea minimă a diversității
Procentul de mutație maxim va fi cel din generația inițială. Dacă din calcule
mut(x)P va
rezulta mai mare decâ t procentul maxim de mutație, atunci
mut(x)P va fi acea valoare maximă.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
74 În lucrare operatorul de crossover utilizat va fi într -un singur punct de tăietură, la mijlocul
cromozomului.
Selecția va fi în funcție de valoarea fitness -ului cromozomilor, dintre o pereche fiind selectat
cel mai bine adaptat.
Criteriul de oprire al alg oritmului este stabilit pentru această implementare ca un număr maxim
de generații.
Lucrarea urmărește evoluția valorii fitness -ului comparând valorile obținute la utilizarea
mutației clasice și a celei adaptive. Rețeaua utilizato este formată din 100 nod uri și 4000 muchii. Costul
maxim al unei muchii are valoarea 10 : Populațiile utilizate sunt formate din câte 40 cromozomi,
procentul de mutație pentru mutația clasică este de 10% iar fiecare algoritm rulează de 5 ori cu același
set de date.
Rezultatul te stelor este prezentat în figura 29 iar în figura 30 este prezentată evoluția
probabilității de mutație în timpul rulării algoritmului.

Figure 29 Evoluția fitness -ului mediu pentru mutația adaptivă/neadaptivă

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
75
Figure 30 Evoluția probabilității de mutație pe parcursul a 100 generații

Din analiza rezultatelor obținute se observă o valoare mai mică a fitness -ului total pentru
algoritmul genetic ce utilizează mutația adaptivă cât și o scădere mai abruptă a acestei valori în primele
generații. Dacă în algoritmul genetic cu mutație clasică tendința de scădere a diversității poate afecta
înclusiv cromozomii bine adaptați (mutația având loc aleator), prin utilizarea mutației adaptive, care
afectează c romozomii cei mai apropiați de cromozomul central, se realizează atât parcurgerea mai
riguroasă a spațiului soluțiilor iar soluțiile cele mai bine adaptate sunt neafectate.

4.2.4 Operatorul de crossover adaptiv bazat pe distribuția soluțiilor în spațiul
de că utare

În [28] autorii analizează o variantă adaptivă a operatorului de crossover, care utilizează ca
parametrii atât fitness -ul cromozomilor cât și poziția relativă a acestora față de ceilalți cromozomi
componenți ai populației, fiind urmărită o îmbunătățire a convergenței căutării.
La detectarea soluției, populația de cromozomi are o valoare minimă a fitness -ului iar aceștia
sunt grupați într -o regiune limitată a spațiului de căutare, în jurul valorii optime.
Adapt abilitatea operatorului de crossover asigură atât evitarea convergenței premature și
minimizarea timpului în care valoarea fitness -ului tinde spre minum , modificând cantitatea de
informații schimbată între cei doi cromozomi supuși operatorului genetic. . Astfel, probabilitatea de
crossover trebuie să fie ridicată când populația de soluții are o diversitate scăzută iar valoarea fitness –
ului este mare (dacă se urmărește minimizarea acestuia) sau mică (dacă de urmărește maximizarea l ui),
fiind de forma:

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
76
*
c c fitness c positionap p p

Unde
–
c fitnessp este componenta care e dependentă de valoarea fitness -ului din probabilitatea
totală
–
c positionp este componenta care e dependentă de distribuția în spațiu a cromozomilor din
probabil itatea totală
– A este un parametru întreg care exprimă influența altor condiții (de mediu, structură a
populației, etc.) asupra probabilității totale de crossover

Așa cum este descrisă în [32],
c fitnessp trebuie să fie mică pentru a nu altera cromozomii
bine adaptați și mai mare atunci când diversitatea scade, deci când diferența dintre fitness -ul curent și
cel mediu este mic. Atunci:

max
max
chromosome
c fitnessffk
ffp


Unde:
– k este o constantă
–
maxf este valoarea maximă a fitness -ului din populație
–
chromosomef este valoarea fitness -ului cromozomului curent
–
f este valoarea medie a cromozomilor din generație

Referitor la componenta dependentă de distribuția în spațiul de căutare,
c positionp , aceasta
trebuie să fie direct proporțională cu distanța dintre cromozomul curent și cromozomul central și invers
proporțională cu distanța dintre cromozo mul cu fitness maxim din generație și cel central, noțiunile de
distanță dintre cromozomi și cromozom central fiind descride în lucrarea [19].
Astfel:

max()
()current central
c position
centraldistmdistxxpxx

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
77 Unde:
– M este o constantă
–
currentx este cromozomul curent
–
centralx este cromozomul central
–
maxx este cromozomul cel mai bine adaptat din generație
–
()dist a b este distanța dintre cromozomii a și b

În articol se urmărește minimizarea fitness -ului, deci probabilitatea de crossover va fi definită
de formula:

max
max max() *() current current central
c
centraldist ffadist ffxxpxx  
.

Această valoare va determina numărul de gene care vor fi schimbate între cromozomi la rularea
operatorului de cros sover.
Pentru evaluarea influenței crossover -ului adaptiv a fost studiată evoluția valorii fitness -ului la
utilizarea unui algoritm genetic clasic, a unuia cu crossover adaptiv și mutație clasică și la unul cu
crossover și mutație adaptivă, operatorul de mutație adaptiv fiind descris în articolul [19].
Algoritmii au rulat 10 generații. Probabilitatea pentru mutația clasică a fost de 5%, crossover –
ul clasic a fost într -un punct de tăietură la mijlocul cromozomului, graful a fo st generat aleator, având
80 noduri și 1500 muchii, costul muchiei a fost generat aleator în intervalul 1 -10. Parametrul adin
probabilitatea de mutație a avut valoarea 1. Rezultatele obținute au fost prezentate în graficele ce
urmează.
Au fost studiate re zultatele obținute pentru dimensiunea populaților de 20 și 30 de cromozomi.
Fiecare algoritm a fost rulat de 9 ori.

a. Pentru o dimensiune a populațiilor de 20 cromozomi:

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
78
Figure 31 Evoluția mediei fitness -ului în 10 generații pentru cele trei variante de algoritm genetic implementate

Figure 32 Evoluția fitness -ului pentru algoritmul genetic clasic

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
79

Figure 33 Evoluția fitness -ului pentru algoritmul genetic cu mutație adaptivă și crossover clasic

Figure 34 Evoluția fitness -ului pentru algoritmul genetic cu mutație și crossover adaptiv

b. Pentru o populație de 30 de cromozomi:

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
80
Figure 35 Evoluția mediei fitness -ului în 10 generații pentru cele trei variante de algoritm genetic implementate

Figure 36 Evoluția fitness -ului pentru algoritmul genetic clasic

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
81
Figure 37 Evoluția fitness -ului pentru algoritmul genetic cu mutație adaptivă și crossover clasic

Figure 38 Evoluția fitness -ului pentru algoritmul genetic cu mutație și crossover adaptiv

Din analiza rezultatelor rezultă că utilizarea operatorilor genetici adaptivi descriși asigură o
rulare spre convergență a algoritmului genetic îmbunătățită față de cei clasici.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
82 Din punct de vedere al evoluției fitness -ului mediu se observă că operatorii adaptivi
îmbunătățesc convergența. Crescând nu mărul de cromozomi din generație asigură o nposibilitate de
parcurgere mai bună a spațiului soluțiilor, în final reducându -se influența operatorilor adaptivi, dar
efectuându -se un număr mai mare de operații matematice în timpul rulării.
Din analiza rulări lor algoritmilor se observă că, indiferent dacă populațiile de cromozomi diferă
ca număr, combinația de operatori adaptivi de crossover și mutație oferă rezultate superioare și cu o
uniformitate mai mare. Scăderea fitness -ului total pe parcursul generațiil or este mai abruptă la utilizarea
operatorilor adaptivi.

4.2.5 Influența condițiilor de mediu asupra crossover -ului adaptiv bazat pe
distribuția cromozomilor în spațiul de căutare

În articolul [26] este studiată înfluența condițiilor de mediu (dinamica rețelei, gradul de
conectare al echipamentelor de comunicații, elemente dependente de timp, etc.) asupra crossover -ului
adaptiv propus în lucrarea [28]. Luându -se în cons iderare operatorul crossover adaptiv descris în
lucrarea [28], influența condițiilor de mediu este codată în parametrul a, o valoare optimă accelerând
convergența.
Pentru a asigura o funcționare corectă a căutării evolutive, acest parametru trebuie să fie plasat
într-o plajă de valori. O valoare mică diminuează schimbul de informații între cromozomi și implicit o
convergență dificilă, spre soluții locale. O valoare prea mare transformă căutarea într -o parcurgere
aleatoare a s pațiului de căutare, algoritmul nemaifiind capabil de tranbsfer de informație între generații.
Testarea influenței parametrului a a fost efectuată utilizând un algoritm genetic cu operatorul
crossover adaptiv , cu populații de 30 cromozomi. Operatorul de m utație a fost clasic, aleator, cu
probabilitatea de mutație de 5%. Au fost utilizate două grafuri, primul cu 80 noduri și 1500 muchii iar
al doilea cu 20 noduri și 2500 muchii. Parametrul a a avut valorile 0, 0,5, 1, 1,5, 2, 2,5, 3 și 10.
Rezultatele sunt prezentate în figurile următoare:

a. Utilizând un graf cu 80 noduri și 1500 muchii

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
83 Figure 39 Evoluția fitess -ului pentru a=0

Figure 40 Evoluția fitness -ului pentru a=0,5

Figure 41 Evoluția fitness -ului pentru a=1

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
84

Figure 42 Evoluția fitness -ului pentru a=1,5

Figure 43 Evoluția fitness -ului pentru a=2

Figure 44 Evoluția fitn ess-ului pentru a=2,5

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
85
Figure 45 Evoluția fitness -ului pentru a=3

Figure 46 Evoluția fitness -ului pentru a=10

Figure 47 Evoluția fitness -ului mediu la utilizarea crossover -ului adaptiv și a celui clasic

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
86
b. Utilizând un graf cu 80 noduri și 2500 muchii

Figure 48 Evoluția fitness -ului pentru a=0

Figure 49 Evoluția fitness -ului pentru a=0,5

Figure 50 Evoluția fitness -ului pentru a=1

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
87
Figure 51 Evoluția fitness -ului pentru a=1,5

Figure 52 Evoluția fitness -ului pentru a=2

Figure 53 Evoluția fitness -ului pentru a=2,5

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
88
Figure 54 Evoluția fitness -ului pentru a=3

Figure 55 Evoluția fitness -ului pentru a=10

Figure 56 Evoluția fitness -ului mediu la utilizarea crossover -ului adaptiv și a celui clasic

Analizând rezultatele obținute se poate observa ca in toate cazurile algoritmul a evoluat spre
convergență. În funcție de valorile atribuite parametrului a se pot observa diferențe referitoare la
rezultatele obținute.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
89 Pentru a=0 rezultatele generate au o dispersie mare, ceea ce este normal întrucât practic are loc
o inversare a celor doi cromozomi (
cp =0), nemaiavând loc crossover -ul, algoritmul ge netic
funcționând cu mutația și selecția ca operații principale.
Crescând valoarea atribuită lui a se observă în grafice faptul că dispersia rezultatelor scade,
valoarea minimă obținându -se în intervalul de valori 1 -1,5, atât pentru grafurile dense cât și pentru cele
mai puțin dense. Tot pentru acest interval de valori se obțin valorile cele mai bune pentru fitness -ul
cromozomilor la sfârșitul celor 10 iterații. Continuând creșterea valorii parametrului a practicscade
cantitatea de material genetic schi mbată între cromozomi, ceea ce produce creșterea dispersiei valorilor
fitness -ului obținute. O valoare mare a parametrului (a=10) practic blochează funcționarea, algoritmul
fiind o căutare aleatoare în spațiul soluțiilor.
Din punct de vedere al valorilor medii obținute , se observă vă evoluția spre convergență îm
cazul crossover -ului adaptiv este mai abruptă și fitness -ul obținut este mai mic. Valorile minime sunt
obținute în intervalul 1 -1,5.
Analizând aceste observații, rezultă că, atât pentru grafuri m ai slab conectate cat și pentru
grafuri mai dens conectate, o codare corectă a diverșilor factori de mediu într -o valoare care
parametrizează probabilitatea de crossover accelerează convergența algoritmului genetic.

5 Concluzii

Scopul acestei teze a fost i dentificarea de metode de optimizare multicriterială a sistemelor
informatice. Ca urmare, ținând cont de realitățile prezente și de direcțiile predictibile de evoluție, au
fost propuși și implementați algoritmi evolutivi pentru optimizarea parametrilor de funcționare a
acestor sisteme iar testele efectuate au confirmat eficienta acestei abordări. În completare, în lucrare au
fost propuse metode de optimizare a funcționării acestor algoritmi.
Pe parcursul tezei s -a avut în vedere identificarea de soluții c are să poată completa metodele
clasice în condițiile în care complexitatea și dinamicitatea sistemelor distribuite sunt deja caracteristici
prezente iar tendința este de accelerare a lor. Ca urmare, testele au fost efectuate luându -se în
considerare modifi cări ale complexității problemei abordate.
Propunerile de metode de optimizare au fost direcționate spre zona de comunicații, ca element
principal al unui sistem informatic distribuit.

5.1 Discuții și rezultate

Deoarece rețeaua are un rol determinant în existența unui sistem informatic distribuit , starea
de funcționare a acesteia este definită de un set de parametrii (rute, capacitate de transport, evoluție în
timp, întârzieri, protocoale transportate, etc.) . În prezent acești parametrii sunt interpretați ca elemente
de sine stătătoare iar modificarea acestora reprezin tă activități independente (rutare, prioritizare a
traficului, QoS,limitare a traficului, etc.) , cu toate că între ei există o strânsă legătură. În lucrare a fost
propusă o soluți e evolutivă de stabilire a rutelor ținând cont de toți parametrii infrastructurii de
comunicații, de cerințele utilizatorilor precum și de tendințele de evoluție a acestor parametrii și de
istoricul lor.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
90 În contextul managementului și optimizării rețelelo r de mari dimensiuni , în teză a fost studiată
posibilitatea de utilizare a tehnicilor genetice pentru identificarea rutelor de cost minim. Din testele
efectuate pe grafuri cu parametrii diferiți din punct de vedere a densității muchiilor, a rezultat că
algoritmii genetici sunt o soluție ce oferă rezultate bune pentru grafurile dense (caracteristică a rețelelor
complexe), pentru grafurile mai puțin dense soluțiile clasice fiind favorizate.
Referitor la n oile tendințe și concepte apărute în domeniul comunica țiilor, a fost studiată
posibilitatea utilizării algoritmilor genetici în cadrul sistemelor IoT și în cadrul virtualizării rețelelor.
Ținând cont de faptul că internetul lucrurilor este definit de un număr mare de elemente
conectate la Internet, ele funcț ionând ca o rețea virtuală, suprapusă peste o infrastructură de
comunicații, au fost efectuate teste referitoare la posibilitatea generării genet ice a arhitecturii rețelei
IoT având ca suport infrastructura Internet . Testele au fost efectuate pe rețele de diferite dimensiuni
(din punct de vedere al nodurilor și muchiilor) și au demonstrat că după un număr relativ redus de
generații de cromozomi, algoritmul genetic a fost capabil să ofere un set de soluții (de arhitecturi de
rețea suprapusă)cu o valoare bună a fitness -ului, deci adecvate scopului propus.
Tot în contextul noilor tehnologii a fost propusă utilizarea algoritmilor genetici în cadrul
controller -ului SDN pentru a genera soluții de configurare a elementelor hardware componente a rețelei
virtuale. Luându -se în considerare o rețea complexă (2000 noduri și 15000 de link -uri), au fost efectuate
teste și a rezultat că pentru fiecare rulare a algoritmului genetic , acesta oferă în timp util (ca număr de
generații) soluții valabile.
Din punct de vedere al optimizării căutării evolutive, în cadrul tezei s -au studiat metode de
autoadaptare a operatorilor genetici.
Scopul autoadaptării este îmbunătățirea funcționării algoritmului genetic atât din punct de
vedere al timpului necesar pentru a ajunge în star ea de convergență cât și din punct de vedere al calității
soluțiilor generate (dispersie redusă a rezultatelor, prezentare de soluții optime generale, nu optime
locale).
Deoarece operatorii de mutație și crossover realizează echilibrul convergență/diverge nță,
mutația având un caracter divergent iar croossover -ul unul convergent, autoadaptarea urmărește
păstrarea echilibrului în funcție de caracteristicile populației de cromozomi astfel încât algoritmul să
fie caracterizat de o convergență rapidă și de o pa rcurgere adecvată a spațiului de căutare pentru
identificarea celor mai bune soluții. Se urmărește atât favorizarea cromozomilor bine adaptați cât și
păstrarea diversității populației.
Ca operator genetic, mutația păstrează diversitatea populației prin modificarea aleatoare a unui
procent din cromozomi. În teză a fost propusă o variantă adaptivă a mutației, bazată pe distribuț ia în
spațiu a acestor a. Având în vedere că la convergență fitness -ul populației este minim/maxim (în funcție
de problemă) iar mul țimea de cromozomi este distribuită într -o vecinătate a soluției optime, operatorul
de mutație propus în teză îi va modifica pe cei mai apropiați de un ”cromozom central” , acesta fiind
definit ca medie a cromozomilor componenți ai populației din punct de v edere al poziției acestora în
spațiu. În cazul convergenței algoritmului, mutația afectând un procent din numărul de cromozomi,
chiar dacă sunt afectați indivizi bine adaptați, starea de convergență asigură faptul că soluția optimă are
mari șanse să fie pă strată în populație. În cazul în care cromozomii sunt distribuiți în întreg spațiul de
căutare, probabilitatea ca cel mai bine adaptat individ din populație să fie și cel mai apropiat de
cromozomul central (și să fie alterat de mutație) este mai mică decât în cazul mutației clasice, cu
cromozomi alterați aleator.
Pentru a fi păstrată diversitatea, probabilitatea de mutație este adaptivă, fiind mai mare când
populația este uniformă și mai mică în condițiile existenței diversității.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
91 Din testele efectuate a rezultat că, în comparație cu cu un mutația clasică, utilizarea mutației
adaptive propuse conduce la o accelerare a îmbunătățirii fitness -ului pe parcursul generațiilor (deci o
creștere a vitezei de convergență) cât și obținerea de rezultate mai bune după un număr fix de generații.
Utilizând noua noțiune de ”cromozom central” , în teză a fost propus un operator de crossover
adaptiv care are volumul de schimbare a materialului genetic variabil, dependent atât de fitness -ul
cromozomilor cât și de diversitatea populației, urmărindu -se o modificare minimă a cromozomilor bine
adaptați. Astfel, cu cât diferența dintre fitness -ul cromozomului cel mai bine adaptat și fitness -ul mediu
al populației este mai mare, cu atât diversitatea este mai mare, deci schimbul de i nformație genetică
prin crossover poate fi mai mic. Ref eritor la cromozomii supuși cro ssover -ului, cu cât diferența dintre
fitness -ul acestora și fitness -ul maxim este mai mică, cu atât volumul informației schimbate trebuie să
fie mai mic deoarece cromozom ul este bine adaptat.
Similar, referitor la dispunerea populației în spațiul de căutare, cu cât diferența di ntre
cromozomul central și cel c u fitness -ul cel mai bun este mai mică, cu atât populație este mai uniformă
deci schimbul de informație trebuie să fie mai mare iar cu cât diferența dintre cromozomul central și
cel curent este mai mare, cu atât diversitatea este mai mare, deci schimbul de informație dintre
cromozomi trebuie să fie mai mare pentru a fi identificate soluțiile problemei date iar algorit mul să
evolueze spre convergență.
Testele efectuate au verificat evoluția unui algoritm genetic cu operatori adaptivi, în comparație
cu un algoritm genetic clasic. A rezultat că algoritmul genetic cu cu operatori de crossover și mutație
adaptivi a evolua t mai rapid spre convergență în comparație cu algoritmul genetic clasic, din punct de
vedere al fitness -ului mediu obținut în urma mai multor rulări ale algoritmilor pe aceeași rețea.
Din punct de vedere al fitness -ului generat la fiecare rulare, a rezul tat că se obține o dispersie
mai mică a rezultatelor în cazul operatorilor adaptivi față de algoritmul genetic cu operatori clasici.
Adaptabilitatea algoritmilor genetici este determinată de capacitatea operatorilor genetici de a –
și modifica parametrii, va lorile optime fiind caracteristice fiecărui tip de problemă. Stabilirea valorilor
optime este importantă deoarece influențează convergența căutării. Totodată, funcționarea
mecanismului evolutiv este influențată de echilibrul convergență -divergență asigurat de mutație și
crossover, el putând fi modificat prin ponderarea rezultatelor oferite de aceștia cu valori care reprezintă
influența altor factor ext erni, generici, nereprezentați în funcția fitness (densitate a grafului, mărimea
acestuia, etc.).
În teză s-a urmărit identificarea unui interval optim în care ar trebui să fie valoarea care
ponderează crossover -ul adaptiv pentru ca algoritmul genetic să f uncționeze corect. În acest sens au
fost testate mai multe valori, inclusiv extreme (valoarea 0 ca margine inferioară valoare 10 ca margine
superioară) pentru grafuri cu densități diferitre a muchiilor . Precum era de așteptat valorile extreme au
produs efe cte negative asupra rezultatelor generate de algoritm, atât ca valoare a fitness -ului cât și ca
dispersie a rezultatelor, ținând cont că practic în aceste cazuri, crossover -ul devine nefuncțional,
algoritmul fiind practic o căutare bazată pe gradient.
Din întregul set de teste efectuate, a rezultat că valoarea optimă a termenului de ponderare se
află în intervalul 1 -1,5, interval în care se poate observa că valoarea medie a fitness -ului este minimă
(fiind efectuate un număr de teste pentru fiecare valoare propusă a ponderii).
Analizând rezultatele obținute la fiecare rulare a algoritmului, tot în intervalul menționat se
obține o valoare minimă a dispersiei valorilor fitness -ului.
Luând în considerare studiile efectuate în cadrul tezei, metodele de optimiz are s-au concentrat
pe abordarea evolutivă a problemelor generate de dinamica și noile tehnologii apărute în evoluția
sistemelor informatice distribuite . În plus, în teză au fost propuse variante de optimizare a algoritmilor
genetici utilizați, variante ca re au avut ca scop îmbunătățirea rezultatelor generate și minimizarea

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
92 dispersiei acestora. R ezultatele au demonstrat că metodele și variantele de operatori gen etici sunt soluții
ale problemelor apărute ca urmare implementării de noi concepte, a dinamicii, heterogenității și
mărimii sistemelor informatice distribuite actuale.

5.2 Limitări ale tezei

Principalele limitări ale tezei sunt cele caracteristice ale domeniilor abordate: concepte noi
apărute și faptul că se adresează sistemelor distribuite din momentul actual.
Conceptele noi apărute au influențat cercetările din teză prin faptul că în acest moment sunt
majoritatea în diverse stadii de dezvoltare, fără a fi aplicate la scară largă și într -o manieră
standardizată. În consecință studiile au fost e fectuate în condiții de simulare a unor astfel de sisteme,
fiind posibilă existența de diferențe față de testele în condiții reale. Inclusiv lipsa de standardizare este
o limitare, un standard ulterior care diferă de condițiile prezente putând influența ma jor rezultatele.
Lipsa unui sistem informatic distribuit implementat fizic a necesitat conceperea de modele
virtuale pentru testarea ipotezelor, de cele mai multe ori fiind modelat sub formă de graf. Rezultatele
generate pe un astfel de model pot fi difer ite față de rezultatele obținute într -un sistem real.
Testele s -au concentrat pe valorile rezultate din simulări în diverse condiții, majoritatea
referitoare la dimensiunea și caracteristicile sistemului informatic sau la diverși tipuri de operatori și
de parametrii ai algoritmilor genetici și mai puțin comparativ cu alte tehnici de căutare. În consecință
datele obținute sunt caracteristice tehnicilor și metodelor cărora li se adresează teza.

5.3 Studii viitoare

Ținând cont de limitările prezentat e anterio r, continuarea studiilor de optimizare a sistemelor
informatice distribuite prin utilizarea de tehnici genetice ar trebui să se axeze pe implementarea și
efectuarea de teste pe sisteme reale sau pe seturi de date oferite de acestea . Chiar dacă t estarea pe
modele virtuale, generate, este capabilă să ofere o relație cauză/efect sau o relație între diverse
mărimi, în cazuri reale rezultatelepot fi diferite.
Pentru lărgirea bazei de comparație a rezultatelor obținute este necesară implementarea și a
altor t ehnici de căutare atât deterministe cât și probabilistice. Această comparație ar conduce da
delimitarea domeniilor în care fiecare tehnică oferă cele mai bune rezultate . Deasemenea, pot fi
identificate și alte implementări ale operatorilor genetici pretabi le a fi abordate evolutiv.
Pentru accelerarea funcționării algoritmilor genetici studiile pot fi direcționate pe
implementarea distribuită a acestora, datorită paralelismului intrinsec oferit de tehnicile evolutive.
Combinația de accelerare hardware/ soft ware poate fi distribuită atât pe elementele de calcul
existente în sistem cât și pe echipamente dedicate acestui scop (matrici FPGA, conform studiului
prezentat în [24]).

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
93 6 Anexe
6.1 Listă publicații

– R. Maniu and L. A. Dumitru, "Self -adaptive networks with history extrapolation, evolutionary
selection and realtime response," 2014 International Conference on Optimization of Electrical
and Electronic Equipment (OPTIM) , Bran, 2014, pp. 839 -846.
doi: 10.1109/OPTIM.2014.6850973
keywor ds: {evolutionary computation;telecommunication network routing;SAEN
architecture;adaptive operators;evolutionary selection;genetic algorithms;history behavior
analysis;history extrapolation;holistic routing system;load -balancing technologies;optimal
routi ng solution;realtime response;resource utilization;self adaptive evolutionary
network;Biological cells;Genetic algorithms;Genetics;History;Routing;Sociology;Statistics},
URL: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6850973&isnumber=685086
9

– R. Maniu and L. A. Dumitru, “Genetic Algorithm – Adaptive Crossover Based on Solution
Distribution in Search Space”, 2017 International Conference on Optimiz ation of Electrical
and Electronic Equipment (OPTIM) , Bran, 2017 – IN CURS

– L. A. Dumitru and R. Maniu ,”A generic execution framework for shared FPGA -based
accelerators”, 2017 International Conference on Optimization of Electrical and Electronic
Equipment (OPTIM) , Bran, 2017 – IN CURS

– M. Rares, "Adaptive mutation in genetic algorithms for shortest path routing problem," 2015
7th International Conference on Electronics, Computers and Artificial Intelligence (ECAI) ,
Bucharest, 2015, pp. S -69-S-74.
doi: 10.11 09/ECAI.2015.7301163
keywords: {genetic algorithms;adaptive mutation operator;genotypic level;phenotypic
level;shortest path routing problem;standard genetic algorithm;Biological
cells;Convergence;Genetic algorithms;Genetics;Routing;Sociology;Statistics;ad aptive
mutation;evolving networks;genetic algorithms;routing},
URL: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=7301163&isnumber=730113
3

– M. Rares, " GENETIC TECHNIQUES APPLIED IN ACTUAL NETWORK
MANAGEMENT" “Mircea cel Batran” Naval Academy Scientific Bulletin, Volume XVIII – 2015 –
Issue 2 Published by “Mircea cel Batran” Naval Academy Press, Constanta, Romania , pp. 24 -30.

– L. A. Dumitru an d R. Maniu, " EXPLORING THE POSSIBILITIES OF A SELF
REGULATING SDN CONTROLLER " “Mircea cel Batran” Naval Academy Scientific Bulletin,
Volume XVIII – 2015 – Issue 1 Published by “Mircea cel Batran” Naval Academy Press, Constanta,
Romania , pp. 58 -61

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
94 – M. Rar es, " GENETIC GENERATION OF INTERNET OF THINGS OVERLAY
NETWORK INFRASTRUCTURE " “Mircea cel Batran” Naval Academy Scientific Bulletin,
Volume XIX –2016 – Issue 2 Published by “Mircea cel Batran” Naval Academy Press, Constanta,
Romania , pp. 446 -450, DOI:10. 21279/1454 -864X -16-I2-067

– M. Rares, " THE INFLUENCE OF ENVIRONMENTAL CONDITIONS OVER ADAPTIVE
CROSSOVER BASED ON THE DISTRIBUTION OF CHROMOSOMES IN SEARCH
SPACE " “Mircea cel Batran” Naval Academy Scientific Bulletin, 2017, Published by
“Mircea cel Batran” Naval Academy Press, Constanta, Romania IN CURS DE
APARITIE

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
95
6.2 Detalii de implementare

Testele au fost efectuate utilizând funcții implementat e în limbajul de programare C++. A fost
utilizat mediul de programare Ecli pse Neon iar sistemul de operare a fost RedHat.
Declarațiile de clase și de funcții le utilizate au fost următoarele:

class ruta
{
public:
int *r;
int dimensiune;
ruta(int nr)
{
r=new int[nr];
dimensiune=nr;
for(int i=0;i<nr;i++)
r[i]=0;
};
~ruta() {};
void set_elem(int pozitie, int valoare); //seteaza elem din pozitia
cu valoarea
int ret_element(int pozitie); //returneaza elementul din pozitia
int ret_dimensiune(); //returneaza dimensiunea cromozomului
int lungime_ruta(); //calculeaza lungim ea cromozomului
void mutatie(int procent, int nr_noduri_retea); //altereaza un nr
de elemente ale rutei
void route_gen(int init, int final, int noduri); //genereaza ruta cu
un nr de noduri, care incepe cu init si se termina cu fin
void print_route(); //afiseaza ruta
};

void net_gen(int net[][3]); //genereaza reteaua
void print_net(int net[][3]); //afiseaza reteaua
void reset_net(int net[][3]); //reseteaza toate elementele retelei
int valid_route(ruta a, int net[][3]); //testeaza daca ruta e valida
void crossover(ruta parinte1,ruta parinte2,ruta fiu1,ruta fiu2); //
crossover la jumatatea cromozomilor

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
96 void crossover_adaptiv(ruta,ruta,ruta ,ruta, float, int, ruta **, int
[][3]); // crossover la lung celui mai adaptat in fct de probabilitate
int cost_ruta(ruta a, int net[][3]); //calculeaza costul rutei
void net_to_file(int net[][3]); //scrie reteaua in fisier
int file_to_net(int net[][3]); //incarca reteaua din fisier
int elimina_bucle(ruta a);
int is_equal(ruta a, ruta b); //returneaza 1 daca rutele sunt egale si 0
daca nu
int entropie(int, ruta **, int [][3]); //calculeaza entropia dintr -o
populatie
ruta centru(int, ruta **); //calculeaza centrul rutelor dintr -o populatie
int val_dif_cromozomi(ruta, ruta); //calculeaza dif dintre cromozomi d pdv
al nodurilor
int cel_mai_aproape_de_mijloc(int, ruta **); //returneaza poz
cromozomului cel mai apropiat de centrul cromozomilor
int Hamming(int, ruta **); //returneaza dist Hamming a populatiei
void mutatie_clasica(int,int, int, int, ruta **, int[] [3]);
void mutatie_adaptiva(int, int, int, int, ruta **, int [][3]);
int fitness_minim_generatie(int, ruta **, int [][3]);
int fitness_mediu_generatie(int, ruta **, int [][3]);
int fitness_total_generatie(int, ruta **, int [][3]);
int cromozom_cu_fitness_m inim(int, ruta **, int [][3]);
float probabilitate_crossover_adaptiv(float, int, ruta, ruta **, int
[][3]);
float probabilitate_crossover_adaptiv_v1(float, int, ruta, ruta **, int
[][3]);

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
97 6.3 Acronime

M2M communication Machine to machine communication
MEMS MicroElectroMecanical SySstems
MAS M2M Authentification Server
MSBF M2M Service Bootstrap Function
NA Network Application
NSCL Network Service Capabilities Layer
MIM M2M to M2M Interface
SCL Service Capabilities Layer
MIA M2M Application Interface
IoT Internet of Things
GA Genetic Algorithm
ITU International Telecommunication Union
ITU-T Telecommunication Standardization Sector of ITU
PSTN Public Switched Telephone Network
2G Second generation cellular telecom network
3G Third generation cellular telecom network
4G Fourth generation cellular telecom network
DSL Digital Subscribe Line
CAN Controller Area Network
OSI Open Systems Interconnection
WSN Wireless Sensors Network
WLAN Wireless local area network
WMAN Wireless metropolitan area network
WPAN Wireless personal area network
WWAN Wireless wide area network
SAAS Software as a Service
PAAS Platform as a Service
IAAS Infrastructure as a Service
SDN Software Defined Networking
NFV Network Functions Virtualization
VNF Virtual Network Functions
EMS Element Management System
OSS/BSS Operations and Business Support System

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
98 SDN Software Defined Networking
TCP Transmission Control Protocol
GP Genetic Programming
EC Evolutionary Computing
EP Evolutionary Programming
ES
SAEN
CAN
LTE
WiFi
API Evolutionary Strategies
Self Adaptive Evolutionary Network
Controller Area Network
Long -Term Evolution
Wireless Fidelity
Application Programming Interface
QoS
IP Quality of Services
Internet Protocol

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
99 6.4 Listă de figuri

Figure 1 Arhitectura de nivel inalt a unui sistem M2M [2] ………………………….. ………………………….. .. 12
Figure 2 Interconectarea între doi provideri M2M ………………………….. ………………………….. …………… 13
Figure 3 Dimensiunile IoT (ITU -T, 06.2012) ………………………….. ………………………….. ………………….. 14
Figure 4 Obiecte din IoT (ITU -T, 06.2012) ………………………….. ………………………….. …………………….. 15
Figure 5 Modelul de referință pentru IoT (ITU -T, 06.2012) ………………………….. ………………………….. 15
Figure 6 Dimensiunile calculului mobil (B'Far, 2005) ………………………….. ………………………….. ……… 19
Figure 7 Arhitectura unui sistem raportat la context ………………………….. ………………………….. ………… 22
Figure 8 Nivelele WSN ………………………….. ………………………….. ………………………….. ……………………. 23
Figure 9 Arhitectura generică pentru un sistem de inteligență ambientală [9] ………………………….. ….. 26
Figure 10 Virtualizarea hardware ………………………….. ………………………….. ………………………….. ……… 27
Figure 11 Virtualizarea aplicațiilor ………………………….. ………………………….. ………………………….. ……. 28
Figure 12 Arhitectura de referință NFV [10] ………………………….. ………………………….. …………………… 30
Figure 13 Arhitectura tradițională a rețelei ………………………….. ………………………….. ……………………… 31
Figure 14 Arhitectura unei rețelei SDN ………………………….. ………………………….. ………………………….. 31
Figure 15 Arhitectura SDN ………………………….. ………………………….. ………………………….. ………………. 32
Figure 16 Nivelele oferite de cloud -computing ………………………….. ………………………….. ……………….. 33
Figura 17. Coordonatele principale ale algoritmului genetic ………………………….. …………………………. 42
Figure 18. Explorare -exploatare în căutarea genetică ………………………….. ………………………….. ………. 43
Figure 19. Schema logică a unui algoritm genetic ………………………….. ………………………….. ……………. 44
Figure 20. Codificarea rutei pentru o rețea (codificare utilizând numere natural) …………………………. 45
Figura 21. Modificarea d istribuției funcțiilor fitness ………………………….. ………………………….. ………… 46
Figure 22. Crossover în un punct de tăietură ………………………….. ………………………….. …………………… 52
Figure 23. Crossover în mai multe puncte de tăietură ………………………….. ………………………….. ………. 53
Figure 24. Crossover uniform ………………………….. ………………………….. ………………………….. …………… 54
Figure 25 Automat cu stări finite ………………………….. ………………………….. ………………………….. ………. 58
Figure 26 Arhitectura unei rețele suprapuse [30] ………………………….. ………………………….. …………….. 69
Figure 27 Exemplu de rețea pe două straturi [31] ………………………….. ………………………….. ……………. 70
Figura 28 Valorile medii ale fitness -ului pentru cele 5 tipuri de rețele în cadrul generării rețelelor
suprapuse. ………………………….. ………………………….. ………………………….. ………………………….. …………. 71
Figure 29 Evoluția fitness -ului mediu pentru mutația adaptivă/neadaptivă ………………………….. ……… 74
Figure 30 Evoluția probabilității de mutație pe parcursul a 100 generații ………………………….. ………… 75
Figure 31 Evoluția mediei fitness -ului în 10 generații pentru cele trei variante de algoritm genet ic
implementate ………………………….. ………………………….. ………………………….. ………………………….. ……… 78
Figure 32 Evoluția fitness -ului pentru algoritmul genetic clasic ………………………….. …………………….. 78
Figure 33 Evoluția fitness -ului pentru algoritmul genetic cu mutație adaptivă și crossover clasic …… 79
Figure 34 Evoluția fitness -ului pentru algoritmul genetic cu mutație și crossover adaptiv …………….. 79
Figure 35 Evoluția mediei fitness -ului în 10 generații pentru cele trei variante de algoritm genetic
implementate ………………………….. ………………………….. ………………………….. ………………………….. ……… 80
Figure 36 Evoluția fitness -ului pentru algoritmul genetic clasic ………………………….. …………………….. 80
Figure 37 Evoluția fitness -ului pentru algoritmul genetic cu mutație adaptivă și crossover clasic …… 81
Figure 38 Evoluția fitness -ului pentru algoritmul genetic cu mutație și crossover adaptiv …………….. 81
Figure 39 Evoluția fitess -ului pentr u a=0 ………………………….. ………………………….. ……………………….. 83
Figure 40 Evoluția fitness -ului pentru a=0,5 ………………………….. ………………………….. …………………… 83
Figure 41 Evoluția fitness -ului pentru a=1 ………………………….. ………………………….. ……………………… 83
Figure 42 Evoluția fitness -ului pentru a=1,5 ………………………….. ………………………….. …………………… 84
Figure 43 Evoluția fitness -ului pentru a=2 ………………………….. ………………………….. ……………………… 84
Figure 44 Evoluția fitness -ului pentru a=2,5 ………………………….. ………………………….. …………………… 84
Figure 45 Evoluția fitness -ului pentru a=3 ………………………….. ………………………….. ……………………… 85

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
100 Figure 46 Evoluția fitness -ului pentru a=10 ………………………….. ………………………….. ……………………. 85
Figure 47 Evoluția fitness -ului mediu la utilizarea crossover -ului adaptiv și a celui clasic …………….. 85
Figure 48 Evoluția fitness -ului pentru a=0 ………………………….. ………………………….. ……………………… 86
Figure 49 Evoluția f itness -ului pentru a=0,5 ………………………….. ………………………….. …………………… 86
Figure 50 Evoluția fitness -ului pentru a=1 ………………………….. ………………………….. ……………………… 86
Figure 51 Evoluția fitness -ului pentru a=1,5 ………………………….. ………………………….. …………………… 87
Figure 52 Evoluția fitness -ului pentru a=2 ………………………….. ………………………….. ……………………… 87
Figure 53 Evoluția fitness -ului pentru a=2,5 ………………………….. ………………………….. …………………… 87
Figure 54 Evoluția fitness -ului pentru a=3 ………………………….. ………………………….. ……………………… 88
Figure 55 Evoluția fitness -ului pentru a=10 ………………………….. ………………………….. ……………………. 88
Figure 56 Evoluția fitness -ului mediu la utilizarea crossover -ului adaptiv și a celui clasic …………….. 88

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
101 6.5 Listă de tabele

Tabel 1 Rezultatele obținute în 10 rulări ale algrritmului genetic pentru 10 rețele generate aleator …. 68

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
102 6.6 Notații

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
103 7 Bibliogra fie

[1] CISCO, „The Zettabyte Era: Trends and Analysis,” 07 06 2017. [Interactiv]. Available:
http://www.cisco.com/c/en/us/solutions/collateral/service -provider/visual -networking -index –
vni/vni -hyperconnectivity -wp.html. [Accesat 2017].
[2] ETSI, „ETSI TS 102 690 v2.1.1,” ETSI, 10 2013. [Interactiv]. Available: www.
Etsi.org/deliver/etsi_ts/102600 _102699/102690/02.01.01_60/ts_102690v020101p.pdf. [Accesat
05 2016].
[3] A. T.Kindberg, “System software for ubiquitous computing,” IEEE Pervasive Computing
(Volume:1 , Issue: 1 ), pp. 70 – 81, 2002 .
[4] A. K. D. a. G. D. Abowd, “Towards a Better Und erstanding of Context and,” [Online].
Available: ftp://ftp.cc.gatech.edu/pub/gvu/tr/1999/99 -22.pdf. [Accessed 20 05 2016].
[5] A. D. L. Barkhuus, “Is Context -Aware Computing Taking Control Away from the User? Three
Levels of Interactivity Examined,” [Onl ine]. Available:
http://courses.cs.washington.edu/courses/cse590u/03su/papers/intel_dey_ubicomp03.pdf.
[Accessed 20 05 2016].
[6] S. Loke, Context -Aware Pervasive Systems – Architectures for architectures for a new breed of
applications, New Zork: Auerbach Publications Taylor & Francis Group, 2007.
[7] P. E. K.Kaur, “Wireless Sensor Network: Architecture, Design, Issues and Applic ations,” 2014.
[Online]. Available: http://www.ijser.in/archives/v2i11/MTMxMTE0MDE=.pdf. [Accessed 20
05 2016].
[8] J. E. E. Aarts, True Visions – The Emergence of Ambient Intelligence, Springer -Verlag Berlin
Heidelberg, 2006.
[9] J. C. Augusto, “Inte rnational Conference, ICAART 2009, Porto, Portugal, January 19 -21, 2009.
Revised Selected Papers,” in Agents and Artificial Intelligence – Past, Present and Future of
Ambient Intelligence and Smart Environments , Porto, 2009.
[10] ETSI, “Network Function s Virtualization (NFV) Architectural Framework,” ETSI, 2013.
[11] A. C.L. Hwang, Multiple objective decision making, methods and aoolications: a stste -of-art
survay, Springer -Verlag, 1979.
[12] L. D. R. Maniu, „Self -adaptive Networks with History Extr apolation, Evolutionary Selection
and Realtime Response,” Brasov, Romania, 2016.
[13] Z.-Q. C. Z. -Z. Y. Zhao -Xia Wang, „QoS Routing Optimization Strategy Using Genetic
Algorithm in Optical Fiber Communication Networks,” Vol. %1 din %2vol.19. pp213 -217,
mar. 2004.
[14] Y. A. Fadil, „ Routing Using Genetic Algorithm For Large Networks,” Vo l. %1 din %2Vol. 03,
No. 02, Pp.53 -70, Dec. 2010.
[15] K. DeJong, An analisys of the behaviour of a class of genetic adaptive systems, University of
Michigan, 1975.
[16] S. H. Y. N.Mori, „Adaptation to changing environments by means of the memory bas ed
termodynamic genetic algorithm,” 1997.
[17] J.Horn, The nature of niching:genetic algorithms and evolution of optimal, coopeative
population, University of Illinois -Champaign, 1997.
[18] W. ,. D. J. K. Morrison, Measurement of population diversity, Vol. %1 din %2EA 2001, volume
2310 of LNCS, pages 31 –41 , Berlin: Springer.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
104 [19] R. Maniu, „Adaptive mutation in genetic algorithms for shortest path routing problem,” ECAI,
Bucharest, 2015.
[20] J. H. HOLLAND, . Adaptation in natural and artificial systems: an introductory analysis with
applications to biology, control, and artificial intelligence, MIT pres, 1992.
[21] J. R. Koza, Genetic Programming – On the Programming of Computers by Means o f Natural
Selection, London: The MIT Press, Cambridge, Massachusetts, 1998.
[22] R. P. W. B. Langdon, „Boolean Functions Fitness Spaces,” The University of Birmingham,
School of Computer Science, Birmingham, 1997.
[23] R. Ingo, „Evolutionsstrategie: O ptimierung technischer Systeme und Prinzipien der
biologischen Evolution,” Frommann -Holzboog, Stuttgart, 1973.
[24] R. M. L. A. Dumitru, „A generic execution framework for shared FPGA -based accelerators,”
Bran, Romania, 2017.
[25] R. M. L. A. Dumitru, „EXPLORING THE POSSIBILITIES OF A SELF REGULATING SDN
CONTROLLER,” vol. XVIII, nr. 1, 2015.
[26] Maniu.R, „ THE INFLUENCE OF ENVIRONMENTAL CONDITIONS OVER ADAPTIVE
CROSSOVER BASED ON THE DISTRIBUTION OF CHROMOSOMES IN SEARCH
SPACE,” vol. in curs de apa ritia, 2017.
[27] M. R, „GENETIC GENERATION OF INTERNET OF THINGS OVERLAY NETWORK
INFRASTRUCTURE,” vol. XIX, nr. 2, 2016.
[28] L. A. D. R. Maniu, „Genetic Algorithm – Adaptive Crossover Based on Solution Distribution in
Search Space,” Bran, Romania, 2017.
[29] M. R., „GENETIC TECHNIQUES APPLIED IN ACTUAL NETWORK MANAGEMENT,”
vol. XVIII, nr. 2, 2015.
[30] A. S. Tanenbaum, Ret ele de calculatoare -editia a patra, Bucuresti: BYBLOS, 2003.
[31] Internet Engineering Task Force (IETF), „RFC7181,” 04 2014. [Interactiv]. Available:
https://tools.ietf.org/html/rfc7181. [Accesat 2017].
[32] Internet Engineering Task Force (IETF) , „ The Babel Routing Protocol,” 04 2011. [Interactiv].
Available: https://tools.ietf.org/html/rfc6126. [Accesat 2017].
[33] P. B. C. E. Perkins, „Highly dynamic Destination -Sequenced Distance -Vector routing (DSDV)
for mobile computers,” SIGCOMM '94 Proceedi ngs of the conference on Communications
architectures, protocols and applications , vol. 24, nr. 4, pp. 234 -244 , 1994.
[34] S.-J. Lee, J. Hsu, R. Hayashida, M. Gerla și R. Bagrodia, „Selecting a routing strategy for your
ad-hoc network,” Computer Communication, vol. 26, nr. 7, pp. 723 -733, 2003.
[35] C.K.Toh, Ad Hoc Wireless Networks: Protocols and Systems, Prentice Hall , 2001.
[36] IETF, „Ad hoc On -Demand Distance Vector (AODV) Routing,” 07 2003. [Interactiv].
Available: https://to ols.ietf.org/html/rfc3561. [Accesat 2017].
[37] K. M. L. W. J. M. Sitarman R.K, „Overlay Networks: An Akamai Perspective,” [Interactiv].
Available: www.akamai.com/cn/zh/multimedia/documents/technical -publication/overlay –
networks -an-akamai -perspective -technical -publication.pdf. [Accesat 3 6 2017].
[38] J. C. K. H. H. Z. P. Y. S. Y. K. L. Y. Wan, „Node Placement Analysis for Overlay Networks in
IoT Applications,” vol. 10, nr. 3, 2014.
[39] L. M.Shrinivas, „Adaptive probabilities of crossover and mutati on in genetic algorithms,” vol.
24, nr. 4, 1994.
[40] ITU-T, “Overview of the Internet of things ITU -T Y.2060,” 06.2012.

Contribuții în optimizarea multicriterială a sistemelor informatice distribuite
105 [41] R. B'Far, Mobile computing principles. Designing and DevelopingMobile Application using
UML and XML, The Edinburgh Building, Cambridge CB2 2RU, UK: Cambridge University
Press, 2005, p. 9.