Глобальная оптимизация, суперкомпьютерные вычисления и приложения

Проект Российского научного фонда № 15-11-30022  «Глобальная оптимизация, суперкомпьютерные вычисления и приложения» по приоритетному направлению деятельности РНФ «Проведение фундаментальных научных исследований и поисковых научных исследований с представлением результатов в рамках международной конференции (конгресса)».

Номер и дата государственной регистрации: № 115072910017 от 29.07.2015.

Цели и задачи проекта

Целью настоящего проекта является эффективное развитие научных исследований в области анализа математических моделей сложных интеллектуальных систем и процессов принятия оптимальных решений, формулируемых как модели многоэкстремальной оптимизации. Указанные модели имеют фундаментальный характер, широко распространены в приложениях (оптимальное проектирование, идентификация моделей и др.) и обладают высокой вычислительной трудоемкостью. Область научных исследований, к проблематике которой относится предлагаемый проект, является быстро развивающейся и конкурентной. Актуальность и востребованность исследований в данной области подчеркивают факты высокой публикационной активности и проведения многочисленных научных конференций. Коллектив участников проекта имеет значительный (более 40 лет) опыт исследований по указанной проблематике в составе международно признанной научной Нижегородской школы глобальной оптимизации, усиленной ведущими специалистами из Великобритании и Италии, имеющими признанные во всем мире результаты в области стохастической глобальной оптимизации, статистики и машинного обучения. Участие этих специалистов привносит в проект компетенции, эффективно дополняющие опыт нижегородцев.

В рамках проекта ставится задача создания и исследования взаимосвязанного комплекса уникальных современных эффективных вычислительных алгоритмов оптимизации, применимых в условиях сложного многоэкстремального поведения функционалов моделей (критериев и ограничений) и ориентированных на наиболее полное использование получаемой при измерениях функционалов информации. Разрабатываемые быстрые базовые алгоритмы теоретически обосновываются, а их эффективность подтверждается проведением представительного тестирования и решением прикладных задач. Теоретические результаты создают необходимый алгоритмический базис для применения к рассматриваемым задачам новейших технологий и технических возможностей высокопроизводительных вычислений, включая распределенные кластерные и общие конвейерные вычисления на графических процессорах с использованием возможностей суперкомпьютера ННГУ им. Н.И. Лобачевского с пиковой производительностью 570 Tflops (порядка 1 млн. вычислительных ядер). Полученные результаты позволят выйти на принципиально новый уровень сложности решаемых многоэкстремальных задач, существенно повысив их размерность. Результаты выполнения проекта образуют основу для внедрения достижений выполняемых научных работ в создание наукоемких программных систем параллельной глобальной оптимизации, позволяющих решать прикладные задачи высокой сложности, а также основу для внедрения результатов в образовательный процесс и систему подготовки кадров, включая кадры высшей квалификации. Все сформулированные в проекте задачи, связанные с разработкой и теоретическим обоснованием методов глобальной оптимизации, созданием программных средств и параллельных высокопроизводительных реализаций методов, являются новыми. Актуальность исследований определяется как ожидаемым расширением теоретических и алгоритмических результатов в области построения методов многоэкстремальной оптимизации, включая вопросы эффективной параллельной реализации в условиях суперкомпьютерных вычислений, так и конкретными результатами программных разработок, обеспечивающими возможности существенного расширения круга решаемых прикладных задач, в частности, в статистике, работе с большими объемами данных и машинном обучении.

В рамках выполнения проекта будут проведены 3 молодежные школы по высокопроизводительным вычислениям, оптимизации и приложениям и одна международная конференция серии «Learning and Intelligent OptimizatioN» (LION) — Машинное обучение и интеллектуальная оптимизация.

Коллектив исполнителей

  • Сергеев Ярослав Дмитриевич — руководитель проекта, доктор физико-математических наук, профессор, Нижегородский государственный университет им. Н.И.Лобачевского.
  • Баттити Роберто — основной исполнитель проекта, профессор университета г. Тренто (Италия).
  • Гергель Виктор Павлович — основной исполнитель проекта, доктор технических наук, директор Института информационных технологий, математики и механики Нижегородского государственного университета им. Н.И.Лобачевского.
  • Жиглявский Анатолий Александрович — основной исполнитель проекта, доктор физико-математических наук, профессор, заведующий кафедрой в университете Кардиффа (Великобритания).
  • Баркалов Константин Александрович — участник проекта, кандидат физико-математических наук, доцент, Нижегородский государственный университет им. Н.И.Лобачевского.
  • Гришагин Владимир Александрович — участник проекта, кандидат физико-математических наук, доцент, Нижегородский государственный университет им. Н.И.Лобачевского.
  • Квасов Дмитрий Евгеньевич — участник проекта, кандидат физико-математических наук, научный сотрудник, Нижегородский государственный университет им. Н.И.Лобачевского.
  • Мухаметжанов Марат Сайярович — участник проекта, программист, Нижегородский государственный университет им. Н.И.Лобачевского.
  • Лебедев Илья Генадьевич —  участник проекта, ассистент, Нижегородский государственный университет им. Н.И.Лобачевского.
  • Исрафилов Руслан Алиярович — участник проекта, 20 лет, студент, Нижегородский государственный университет им. Н.И.Лобачевского.

Основные публикации

  1. Andrey Pepelyshev and Anatoly Zhigljavsky. SSA analysis and forecasting of records for Earth temperature and ice extents (2016 г.)
  2. Daniela Lera, Yaroslav D. Sergeyev Space-filling curves and multiple estimates of Hölder constants in derivative-free global optimization AIP Conference Proceedings (2015 г.)
  3. Dmitri E. Kvasov, Marat S. Mukhametzhanov One-Dimensional Global Search: Nature-Inspired vs. Lipschitz Methods AIP Conference Proceedings (2015 г.)
  4. Jonathan Gillard, Anatoly Zhigljavsky. Global optimization for structured low rank approximation AIP Conference Proceedings (2015 г.)
  5. Konstantin Barkalov, Victor Gergel, Ilya Lebedev. Solving Global Optimization Problems on GPU Cluster AIP Conference Proceedings(2015 г.)
  6. Mauro Brunato and Roberto Battiti. Stochastic Local Search for Direct Training of Threshold Networks Proc. 2015 International Joint Conference on Neural Networks, IEEE Publisher (2015 г.) 
  7. Modorskii V.Ya., Gaynutdinova D.F., Gergel V.P., Barkalov K.A. Optimization in Design of Scientific Products for Purposes of Cavitation Problems AIP Conference Proceedings (2015 г.)
  8. Victor Gergel, Vladimir Grishagin, Alexander Gergel. Adaptive nested optimization scheme for multidimensional global searchJournal of Global Optimization (2015 г.) 
  9. Vladimir A. Grishagin, Ruslan A. Israfilov Global Search Acceleration in the Nested Optimization Scheme AIP Conference Proceedings (2015 г.)
  10. Vladimir Grishagin and Ruslan Israfilov Multidimensional. Constrained Global Optimization in Domains with Computable Boundaries CEUR Workshop Proceedings (2015 г.) 
  11. Yaroslav D. Sergeyev, Dmitri E. Kvasov, Marat S. Mukhametzhanov Comments upon the Usage of Derivatives in Lipschitz Global Optimization AIP Conference Proceedings (2015 г.)
  12. Yaroslav D. Sergeyev, Marat S. Mukhametzhanov, Dmitri E. Kvasov, Daniela Lera. Derivative-Free Local Tuning and Local Improvement Techniques Embedded in the Univariate Global Optimization Journal of Optimization Theory and Applications (2016 г.)