A Metaheuristic-based Machine Learning Approach for Energy Prediction in Mobile App Development

要約

エネルギー消費は、開発者やエンドユーザーにとってモバイルアプリ開発において重要な役割を果たしており、スマートフォンを購入する際の最も重要な要素の 1 つと考えられています。
さらに、持続可能性の観点からは、世界中で数十億台のスマートフォンが広範に使用され、環境に大きな影響を与えているため、モバイルデバイスのエネルギー消費を削減する方法を見つけることが不可欠です。
主要なモバイル エコシステムである Android にはいくつかのエネルギー効率の高いプログラミング手法が存在するにもかかわらず、モバイル アプリ開発のための機械学習ベースのエネルギー予測アルゴリズムはまだ報告されていません。
したがって、この論文では、モバイル アプリ開発におけるエネルギー予測のために、メタヒューリスティック アプローチによってブーストされたヒストグラム ベースの勾配ブースティング分類マシン (HGBC) を提案します。
私たちのメタヒューリスティックなアプローチは 2 つの問題の原因となります。
まず、パフォーマンスに目立った変化はなく、冗長で無関係な機能が検出されます。
次に、HGBC アルゴリズムのハイパーパラメーター調整を実行します。
私たちが提案するメタヒューリスティックなアプローチはアルゴリズムに依存しないため、最適な検索アルゴリズムを見つけるために検索戦略として 12 のアルゴリズムを選択しました。
私たちの調査結果は、線形集団サイズによる差分進化に対する成功履歴に基づくパラメーター適応 (L-SHADE) が最高のパフォーマンスを提供することを示しています。
これにより、パフォーマンスが向上し、機能の数が効果的に削減されます。
私たちの一連の広範な実験は、私たちが提案したアプローチがエネルギー消費予測に重要な結果を提供できることを明確に示しています。

要約(オリジナル)

Energy consumption plays a vital role in mobile App development for developers and end-users, and it is considered one of the most crucial factors for purchasing a smartphone. In addition, in terms of sustainability, it is essential to find methods to reduce the energy consumption of mobile devices since the extensive use of billions of smartphones worldwide significantly impacts the environment. Despite the existence of several energy-efficient programming practices in Android, the leading mobile ecosystem, machine learning-based energy prediction algorithms for mobile App development have yet to be reported. Therefore, this paper proposes a histogram-based gradient boosting classification machine (HGBC), boosted by a metaheuristic approach, for energy prediction in mobile App development. Our metaheuristic approach is responsible for two issues. First, it finds redundant and irrelevant features without any noticeable change in performance. Second, it performs a hyper-parameter tuning for the HGBC algorithm. Since our proposed metaheuristic approach is algorithm-independent, we selected 12 algorithms for the search strategy to find the optimal search algorithm. Our finding shows that a success-history-based parameter adaption for differential evolution with linear population size (L-SHADE) offers the best performance. It can improve performance and decrease the number of features effectively. Our extensive set of experiments clearly shows that our proposed approach can provide significant results for energy consumption prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google