Agente Inteligente de Aprendizaje Reforzado aplicado al Diseo de Bases de Datos Distribuidas

Juan Javier Gonzlez Barbosa Hctor Joaquin Fraire Huacuja Araceli Moreno Ruiz Luz del Carmen Muoz Hernndez Mara de Lourdes Ramrez Morales

Departamento de Sistemas y Computacin Instituto Tecnolgico de Cd. Madero Ave. 1 de Mayo y Sor Juana Ins de la Cruz S/N Col. Los Mangos (12) 10-04-15 Conmutador (12) 10-29-02 Centro de Cmputo Contacto: jjgonzalezbarbosa@usa.net

RESMEN En las Bases de Datos Distribuidas (BDDs), la respuesta en una consulta puede requerir datos de diferentes sitios (aunque debido a la transparencia de localizacin para el usuario esto sea irrelevante); la forma como se procese la consulta puede tener un impacto significativo en el tiempo de respuesta. El propsito de este artculo es abordar el problema de la ubicacin de los datos en un Sistema de Bases de Datos Distribuidas (SBDD) en los diferentes sitios de una red de computadoras, utilizando como solucin un mtodo heurstico denominado Aprendizaje Reforzado (AR), partiendo del modelo matemtico de Fragmentacin, Ubicacin y Reubicacin de los Datos (FURD), cuya funcin es modelar los costos de transmisin y el acceso a los datos, adems de pretender minimizar los costos de comunicacin. I. INTRODUCCIN Con el uso generalizado de las redes de computadoras incluyendo Internet, cada vez es ms factible implementar SBDD, sin embargo, sta tecnologa lleva a los desarrolladores a enfrentar un problema, la carencia de metodologas y herramientas de apoyo para su diseo que permitan decidir la ubicacin de los datos en cada uno de los diferentes sitios que componen la red de computadoras[8].

A ste problema se le ha denominado Diseo de la Distribucin y nace de la necesidad de especificar las unidades de almacenamiento adecuadas, ya sea fragmentos verticales, horizontales o mixtos, junto con su ubicacin en las aplicaciones mencionadas anteriormente[4]. El saber determinar las unidades al igual que su ubicacin hace dependiente al tiempo y costo que se requiere al efectuar consultas[6]. La ubicacin de los datos, afecta de manera importante el desempeo total de los sistemas distribuidos, debido a que el tiempo y el costo requeridos para el procesamiento de las consultas, depende en gran parte del lugar donde los datos se encuentran almacenados, ya sea que se encuentren en un solo nodo (local o remoto) o que estn distribuidos en varios sitios de la red. El problema de la ubicacin ha sido estudiado ampliamente por diferentes investigadores, pero an no se ha resuelto totalmente debido a la dificultad involucrada tanto en la formulacin del modelo matemtico, como en la fase de solucin del mismo, ya que todos hacen uso de algunas consideraciones y modelan diferentes parmetros, por lo que son aplicables slo bajo ciertas especificaciones[5]. La tcnica de AR con la que se da solucin al problema antes mencionado consiste en la implementacin de un agente inteligente donde l trata de asociar a cada atributo el

mejor sitio para su ubicacin final y de esta manera obtener la solucin ms cercana a la ptima. El algoritmo propuesto procesa dos de las caractersticas de la tcnica utilizada, las cules son: la selectividad en la cual se consideran la diversidad de sitios propuestos para un atributo dado y se selecciona uno para su ubicacin, y por otra parte la asociatividad la cual significa que las alternativas encontradas por la seleccin cumplen con las restricciones propuestas por el modelo FURD[4][5]. En la experimentacin se hacen uso de datos estticos, los cules se pueden clasificar en pequeos, medianos y grandes. Los parmetros que se midieron fueron la solucin que arrojaba el problema, as como el tiempo en que tardaba en procesar dicha solucin. 2. MTODOS DE SOLUCIN En este punto se describen los tipos de mtodos de solucin que en forma general se han utilizado en la solucin a problemas de diseo de la distribucin: mtodos exactos y heursticos[7]. Tambin se mencionan algunos algoritmos de estos tipos y las limitaciones de su aplicacin. 2.1. Mtodos Exctos Los problemas de optimizacin discreta pueden ser resueltos por enumeracin total, esto quiere decir, que pueden ser evaluados cada solucin factible del problema y seleccionar la mejor, sin embargo, el esfuerzo computacional empleado aqu puede ser prohibitivo, debido a que si el problema es demasiado grande tardara demasiado tiempo en dar los resultados esperados, dando como origen la necesidad de utilizar mtodos de enumeracin parcial. Algunos de los mtodos exactos que se pueden mencionar son: Mtodo de Planos de Corte, Mtodo de Ramificacin y

Acotamiento, Mtodo Dinmica, AR.

de

Programacin

En las aplicaciones generalmente se involucran problemas de gran tamao. Unas de las limitaciones en la utilizacin de los algoritmos exctos es que pueden requerir una gran cantidad de tiempo para su solucin, o no resulta factible su implementacin[6]. Pero existe una alternativa la cual puede ser prometedora, est representada por los mtodos heursticos, los cuales se explican a continuacin. 2.2. Mtodos Heursticos Cuando se tiene un problema de optimizacin combinatoria de tipo NP-completo y se desea resolver una instancia grande del mismo, se tiene como opcin dar una "buena solucin" al problema, pero puede resultar no ser la mejor. De ah que se han desarrollado mtodos denominados heursticos los cuales en forma general obtienen buenas soluciones, pero no garantizan la ptima. Una manera posible de definir a estos mtodos es como "procedimientos simples, a menudo basados en el sentido comn, que se supone ofrecer una buena solucin (aunque no necesariamente la ptima) a problemas difciles, de un modo fcil y rpido"[6].
Los algoritmos heursticos se pueden utilizar en problemas que [6]:
a)

b)
c)

d) e)

No tengan un mtodo exacto de solucin o requiera de mucho tiempo de clculo o memoria. No se necesita la solucin ptima, o sea que no represente un beneficio importante con respecto a una menos ptima. Los datos sean poco fiables. Tengan limitaciones de tiempo y espacio de almacenamiento de datos. Sea un paso intermedio en la aplicacin de otro algoritmo.

Considerando tambin las tcnicas metahursticas de entre las cuales se mencionan las que ms xito han tenido en la

resolucin de problemas de tipo combinatorio: Recocido Simulado, Algoritmos Genticos, Bsqueda Tab, Grasp, Redes Neuronales y AR. Existen ciertas limitaciones que involucran la utilizacin de estos mtodos, el principal inconveniente al que se enfrentan es a la posibilidad de estacionarse en ptimos locales, no obstante que las tcnicas de recocido simulado y bsqueda tab siguen diferentes estrategias para no caer en este problema, de igual manera buscan "buenas soluciones" en un tiempo de computo razonable, pero no garantizan soluciones ptimas. Para fines de esta investigacin, en las siguientes secciones se describe el algoritmo de AR llamado SARSA, as como los detalles de la experimentacin realizada con l. En algunos casos, para simplificar la nomenclatura, usaremos el trmino problema como sinnimo de instancia del problema modelado por FURD. 3. MODELO MATEMTICO FURD En esta seccin se describe un modelo de programacin entera (binaria) FURD[5]. En este modelo, la decisin de almacenar un atributo m en un sitio j es representada por una variable binaria Xmj. As Xmj=1 si m se almacena en j, y Xmj=0 en caso contrario. 3.1. Funcin Objetivo Esta funcin modela los costos de transmisin y el acceso a los datos formada por cuatro trminos y son: El primer trmino modela los costos de comunicacin los cuales se generan al transmitir los datos necesarios cuando satisfacen las consultas de todos los sitios. El segundo trmino modela los costos variables en los que las consultas acceden a varios fragmentos, en este caso, se tiene

que proporcionar un parmetro que indique el costo de acceder a varios fragmentos. El tercer trmino modela los costos fijos de almacenamiento de los fragmentos en los sitios (este costo puede variar de un SABDD a otro) de igual manera incluye un parmetro el cual debe ser proporcionado. El ltimo trmino modela los costos de migracin necesarios para transportar los datos de un nodo a otro. En lo que sigue, k, i, j y m denotan consultas, sitios de consultas, sitios de atributos, y atributos, respectivamente, siendo cl, s, y t el total de consultas, sitios y atributos.

min z = f q l c ij x m k i ki m j km km + c 2 w + a mi c ij d
j j m i j
Donde:
Fki Qkm Lkm Cij C1 C2 Wj Ykj Ami Dm = = = = = = = = = = Frecuencia de emisin de la consulta k desde el sitio i; Indica si el atributo m es usado por la consulta k; Nmero de paquetes para transportar el atributo m para la consulta k; Costo de comunicacin entre los sitios i y j; Costo de acceder a cada fragmento; Costo por ubicar un fragmento en un sitio Indica si existe algn atributo en el sitio j; Indica si la consulta k accede a algn atributo del sitio j; Ubicacin previa del atributo m en el sitio i; Nmero de paquetes para mover el atributo m;

3.2 Restricciones Intrnsecas del Problema Es necesario para el diseo de la distribucin de los datos tomar en cuenta algunas restricciones que nos permiten optimizar los recursos y evitar errores de almacenamiento, por lo tanto se modelan las siguientes restricciones: 1 Restriccin. Cada atributo se almacena solamente en un solo sitio;

x = 1
j mj

2 Restriccin. Cada atributo m se ubica en un sitio i que al menos ejecute una consulta que involucre al atributo; x mi q kmki m, i
k

procesamiento se obtienen soluciones que si bien no garantizan ser las ptimas globales son aceptables, y adems el esfuerzo computacional aqu no es prohibitivo. El AR aplicado en el modelo FURD funciona de la siguiente manera: consiste en que al agente una vez proporcionada la primera solucin, inicia la bsqueda de una mejor solucin, y de esta manera tiene la percepcin de los sitios de la red y los atributos de la base de datos que equivale a su ambiente de entrada, posteriormente evala para cada atributo una nueva posibilidad de reubicarlo mediante el uso de los conceptos de exploracin y explotacin en los cuales se eligen nuevos sitios que antes haban resultado ser buenos o bien nunca se haban evaluado, este ltimo punto es lo que llamaramos la eleccin de una accin para una ambiente dado. Esta seleccin y evaluacin se efecta tantas veces como tan grande sea el nmero de atributos, sitios y consultas, llamado nmero de episodios. 4.2. Algoritmo del modelo FURD con la tcnica SARSA (FURD-SARSA) El algoritmo SARSA inicia su trabajo apartir de una primera solucin aleatoria, la matriz que contiene el conocimiento es Q(ATRIB) (SITIOS) la cual es explorada y actualizada frecuentemente. Las recompensas r son las que nos marcan las pautas para que se decida actualizar Q(ATRIB)(SITIOS) y el vector Xmj(ATRIB) el cual ubica temporalmente los atributos en los sitios que cumplen con las cinco restricciones[4]. Por otra parte dos de las funciones vitales que nos definen las polticas en las cuales se gua el algoritmo son la seleccin del nuevo atributo a ubicar y el nuevo sitios en que se localizar. Dentro de estas funciones se combinan dos de las caractersticas importantes que poseen los agentes de AR las cuales son: explotacin y exploracin[2]

3 Restriccin. Esta restriccin fuerza el valor de Wj a 1 cuando cualquier Xmj es igual a 1, e induce Wj a 0 en cualquier otro caso; t w j x mj 0 j
m

4 Restriccin. Esta restriccin fuerza el valor de Ykj a 1 cuando cualquier qkm Xmj es igual a 1, y hace ykj igual a 0 en cualquier otro caso; t y x 0 q ,j k
kj km m j m

5 Restriccin. La suma de los espacios ocupados por todos los valores de los atributos asignados al sitio j no debe exceder la capacidad de ste; j x p CA cs
m j m j m

Donde:
Csj = capacidad del sitio j; Pm = tamao del atributo m en bytes; CA= cardinalidad de la relacin.

4. PROPUESTA DE SOLUCIN En esta seccin se presenta el algoritmo implementado y los resultados de la experimentacin por medio del mtodo heurstico. 4.1. Aprendizaje Reforzado (AR) Lo fundamental del aprendizaje es la idea de que las percepciones deben servir no slo para actuar, sino tambin para mejorar la capacidad del agente para su actuacin en el futuro[1]. La implementacin consisti en la elaboracin de un mdulo autnomo de software en el cual es empleado el algoritmo SARSA que forma parte del AR. Dicho mdulo recibe los parmetros necesarios de la primera solucin aleatoria dada por el modelo FURD, ubicando estos valores dentro de la tcnica heurstica y posteriormente de su

[3]. Esta seleccin se efecta con base en los siguientes puntos: Con respecto al atributo que se elegir; la seleccin se realiza de forma tal que todos los atributos tengan la posibilidad de ser evaluados sin dejar uno que no sea ubicado en algn sitio. Una vez elegido el atributo, se dispone a la seleccin del mejor sitio, considerando aquel que tiene mayor valor de aprendizaje en la matriz Q(ATRIB) (SITIOS) (explotacin), en un momento dado podemos dar la oportunidad de seleccionar un sitio diferente que cumple con esa condicin, eligiendo de forma aleatoria algn otro sitio que cumpla con las restricciones, esto sucede bajo cierto porcentaje de probabilidad y de esta manera evitar estacionarse en ptimas locales y tener la posibilidad de evaluar mejores valores ptimos (exploracin). 4.2.1. Parmetros del Algoritmo Arreglos Bidimencionales:
1.
Q(s,a) Matriz de Aprendizaje.

4.2.2. Algoritmo El listado 1.1 muestra el algoritmo implementado para dar solucin al modelo FURD.
Iniciar Q(s,a) en ceros Repetir mientras cntpol < EPISODIOS Iniciar s Seleccionar a Observa r Repetir para cada paso del ATRIB Tomar la s Seleccione a Si(a utiliza s) Q(s,a) Q(s,a) + [r + Q(s,a) Q(s,a)] Si(r = 0 AND Xmj(s) no tiene a) Xmj(s) = a Observar la r En caso contrario r = -1 En caso contrario Q(s,a) - = 1 r=-1 s s a a hasta que s terminal Para cada ATRIB i Para cada SITIOS j a_qmax = Mejor SITIO Si(Si a_qmax cumple con restriccin 2) Actualiza PolA[i] Si(i no fue ubicado en algn sitio) Se ordenan SITIOS por valor de aprendizaje hace Toma un SITIO del vector ordenado Mientras obtiene SITIO vlido Actualiza PolA[i] Hasta que j terminal Hasta que i terminal Si(PolA diferente a PolAP) Actualiza PolAP Else Incrementa cntpol Xmj = PolAP Hasta fin de contador de EPISODIOS Listado 1. Algoritmo FURD - SARSA

Vectores:
1. 2. 3.
Xmj(ATRIB) Vector de ubicacin de los atributos. PolA(ATRIB) Poltica Aprendida, almacena los mejores sitios para los atributos. PolAp(ATRIB) Poltica Anterior, almacena los sitios probables para los atributos.

Variables:
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12.
s Nmero de estados, en el modelo FURD representa los atributos. a Nmero de accin, en el modelo FURD representa los sitios. s Estado siguiente. a Accin siguiente. r Valor de recompensa o castigo (0 1 respectivamente). ATRIB Nmero de atributos en el problema. SITIOS Nmero de sitios en el problema. i Contador de atributos. j Contador de sitios. cntpol Contador de episodios. a_qmax Sitio con mximo valor donde probablemente se colocar un atributo. num Sitio vlido en el que se almacenar un atributo.

5. CASOS DE PRUEBAS Se generaron problemas de solucin conocida, a estos los denominaremos problemas grandes, ya que fcilmente pueden hacerse crecer adicionando componentes desacoplados en la diagonal de una matriz. La matriz de restricciones de estos problemas toma la forma de la Figura 1. Para nuestros fines, cada componente desacoplado es una copia de un problema

bsico. As, por la propiedad de independencia, la solucin del problema bsico es tambin la solucin de cada componente.
A1 0 A= 0 0 A2 0 0 0 ... 0 0 0 0 An

uno es 302, entonces los ptimos del dos y tres son 906 y 1208 respectivamente. Adems, el ptimo de cuatro es 2417. Finalmente, la Tabla 1 contiene los problemas grandes que se generaron mediante las operaciones de duplicacin y concatenacin. Entre los problemas 25 y 26 se encuentra el mayor tamao de problema propuesto y que la implementacin FURDSARSA ha podido dar solucin. 6. RESULTADOS EXPERIMENTALES En esta seccin se presenta la experimentacin efectuada con objeto de observar aspectos de: calidad de la solucin, tiempo de procesamiento y manejo de problemas de grandes dimensiones de los resultados obtenidos en el algoritmo FURDSARSA. Las pruebas fueron realizadas en una PC con un CPU Pentium II a 350 Mhz, con 32 Mb. En RAM, el sistema operativo Windows'98, el compilador Borland C++ versin 5.01. La Tabla 2 presenta los resultados de FURDSARSA para los problemas estticos pequeos, medianos y grandes. Los datos numricos que se sealan son el resultado de 30 experimentos para cada caso de prueba, por lo tanto, la tabla en mencin ilustra claramente en la tercera, cuarta y quinta columna caractersticas que eran de particular inters al aplicar el algoritmo antes discutido y podemos fcilmente observar que el algoritmo en todos los casos de prueba se obtuvo una solucin, sin embargo hubo ocasiones que la solucin exacta present un porcentaje de desviacin con respecto al ptimo.
7. INTERPRETACIN DE RESULTADOS

A 0 0
0

Fig. 1. Matriz de componentes desacoplados

Atributos

Sitios

Consultas

Optimo

1 3 2 9 3 12 4 24 5 27 6 30 7 33 8 36 9 39 10 42 11 45 12 48 13 72 14 96 15 144 16 168 17 192 18 240 19 252 20 288 21 312 22 384 23 480 24 576 25 672 26 768 Tabla 1. Casos de Prueba

2 6 8 16 18 20 22 24 26 28 30 32 48 64 96 112 128 160 168 192 208 256 320 384 448 512

2 6 8 16 18 20 22 24 26 28 30 32 48 64 96 112 128 160 168 192 208 256 320 384 448 512

302 906 1208 2417 2719 3022 3324 3626 3928 4230 4533 4835 7252 9670 14505 16923 19340 24175 25384 29011 31428 38681 48352 58022 67693 77363

El concepto anterior se implement inicialmente con la operacin de duplicacin de problemas. Debido a la necesidad de contar con problemas de tamao intermedio a los generados por duplicacin, se implement la operacin de concatenacin. Los problemas grandes fueron generados usando el problema uno de la Tabla 1. La solucin de este problema se muestra en la tabla. Por lo tanto, si el ptimo del problema

En esta seccin analizaremos la relacin que existe entre el tamao del problema y el desempeo del algoritmo. Para ello podemos hablar de la eficiencia del algoritmo evaluando el tiempo de procesamiento para obtener la solucin ptima y la eficacia con la desviacin del valor ptimo propuesto.
OPTIMO % DESVIACIN DEL PTIMO % VECES QUE NO ALCANZ EL PTIMO TIEMPO DE SOLUCIN (SEG.)

satisfactorios para los problemas pequeos y medianos ya que la solucin ptima (la solucin esperada) y el resultado proporcionado por la tcnica de AR fueron exactos; los resultados obtenidos con los problemas grandes estuvieron cercanos a la solucin ptima ya que su desviacin estndar fue en promedio del 12.36%.
20 15 10
18.14

16.24 13.43 12.88 11.45 10.66 8.84

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

302 906 1208 2417 2719 3022 3324 3626 3928 4230 4533 4835 7252 9670 14505 16923 19340 24175 25384 29011 31428 38681 48352 58022 67693 77363

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 18.14 16.24 13.43 12.88 11.45 10.66 8.84 7.20 6.07 5.25 4.62

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 3 7 7 3 10 17 10 16.67 20 13.33 20

0.06890000 0.08820000 0.28860000 0.28860000 0.36463333 0.42003333 0.47636667 0.54040000 0.59593333 0.72610000 0.38190000 0.39526667 0.68436667 1.23203333 3.19200000 8.90786667 12.13926670 20.17713330 22.48970000 30.98916670 37.58253330 101.68016700 175.50636700 268.99646700 533.24960000 706.00790000

5 0 1 2 3 4 5 6 7 8

7.20

6.07

5.25

4.62

10

11

Tamao del P roblema

PROBLEMA 1 168X112X112 7 384X256X256 2 192X128X128 8 480X320X320 3 240X160X160 9 516X384X384 4 255X168X168 10 672X448X448 5 288X192X192 11 768X512X512 6 312X208X208

Grfica 1. Porcentaje de desviacin estndar con respecto al optimo.

La Grfica 1 ilustra el porcentaje de desviacin estndar de cada caso de prueba entre la solucin optima y la solucin real. Se debe mencionar que el 95.13% de los casos de prueba llegaron a la solucin optima y el porcentaje restante (4.87%) obtuvieron resultados aceptables. La siguiente lista resume las conclusiones de la presenta investigacin e implementacin: 1. Se demuestra que a partir de datos experimentales y mediante un tratamiento estadstico, se pueden obtener funciones de eficiencia y eficacia del algoritmo de Aprendizaje Reforzado. Por ejemplo, en la Tabla 1 se puede observar que AR resulta til para problemas de pequea, mediana y gran escala. 2. Dados como entrada el tamao del problema, es necesario establecer el

Tabla 2. Solucin exacta con FURD-SARSA para 26 casos de prueba generados con la duplicacin de los datos.

Es notorio que el tiempo de solucin para cada caso de prueba no es prohibitivo, adems podemos notar que el algoritmo SARSA resulta ideal para problemas con mayor cantidad de datos, pues a medida que se duplican, la desviacin estndar con respecto a la solucin ptima es menor. 8. CONCLUSIONES De acuerdo con la experimentacin efectuada con los casos de prueba mostrados en la Tabla 1, se obtuvieron resultados

nmero de episodios los cuales establecen un criterio para definir en que momento el algoritmo ha logrado encontrar la solucin ptima, por ejemplo se considera que el agente ya aprendi la solucin ptima cuando la poltica aprendida no ha sufrido variacin en los ltimos 50 intentos para problemas de pequea escala. Cabe esperar que a mayor complejidad de la tarea, ste nmero debe incrementarse para asegurar que la poltica aprendida sea efectivamente una solucin al problema que trata de resolver el agente. 3. Podemos generalizar que el AR es un buen algoritmo para cualquier tamao de instancia, debido a que el anlisis de eficiencia revel que la calidad de la solucin obtenida tiende a ser cercana del ptimo. Por ejemplo en aquellos casos en que el nmero de experimentos correctos fueron menor que 30 y mayor que 24 la desviacin estndar del ptimo resulta en un promedio del 10.43%. 4. Se pudieron obtener las funciones de eficiencia para las soluciones del mejor caso, el caso promedio y el peor caso, permitiendo el manejo de tres diferentes grados de aversin al riesgo. El diseador de bases de datos distribuidas puede tomar decisiones complementadas con su experiencia. 9. TRABAJOS FUTUROS En la siguiente lista se detallan sugerencias para futuras investigaciones: 1. La adaptacin del algoritmo para efectuar pruebas con datos aleatorios que permitan observar los parmetros como: calidad de la solucin, tiempo de procesamiento y manejo de problemas de grandes dimensiones de estos nuevos casos de pruebas.

2. Desarrollar el modelo Furd utilizando la tcnica de aprendizaje reforzado Q_Sarsa. 3. Los resultados obtenidos se pueden comparar con otros trabajos que se han desarrollado utilizando otros mtodos heursticos. REFERENCIAS
[1]. Pendrith, Mark D. & Ryan Malcolm R. K. 1997. C-Trace: A new algorithm for reinforcement learning of robotic control. The University of New South Wales; Sydney, Australia. [2]. Sutton, Richard S., & Barto Andrew G. Reinforcement Learning. An Introduction. Ed. MIT Press; Cambridge, Massachusetts, USA. 1998. [3]. Kaelbling, Leslie P., Littman, Michael L., Moore, Andrew W. 1996. Reinforcement Learning: A Survey. Brown University, USA. [4]. J. Prez, D. Romero, J. Frausto, R. Pazos, G. Rodrguez y F. Reyes, "Dynamic Allocation of Vertical Fragments in Distributed Databases Using the Threshold Accepting algorithm", Proceedings of the 10th IASTED International Conference on Parallel and Distributed Computing and Systems, Las Vegas, 1998, pp. 210-213. [5]. C. Garca Hong-Mei y O. R. Liu Sheng, "A Semantic Based Methodology for Integrated Computer-Aided Distributed Database Design", Proc. 25th Hawaii International Conference on System Sciences, pp. 288299 vol. 3, 1992. [6]. X. Lin, M. Orlowska y Y. Zhan. "On Data Allocation with the Minimum Overall Communication Cost in Distributed Database Design, Proc. Of ICCI'93, 1988, pp. 539-544. [7]. J. F. Beasley, K. Dowsland, F. Glover y M. Laguna, Modern Heuristic Techniques for Combinatorial Problems, New York: Colin R. Reeves, 1993, p. 32. [8]. A. Daz Fernndez, J.L. Gonzlez Velarde, M. Laguna, P. Mascato, F. T. Tseng, F. Glover y H.M. Ghaziri, Optimizacin heurstica y redes neuronales. Espaa: Editorial Paraninfo, 1996. 535 p.