سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

بررسی الگوریتم های ژنتیک و تحلیل انواع پیاده سازی آن بر روی واحد پردازش گرافیکی(GPU) بر اساس معماری CUDA

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,151

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

SENACONF02_310

تاریخ نمایه سازی: 30 آبان 1394

چکیده مقاله بررسی الگوریتم های ژنتیک و تحلیل انواع پیاده سازی آن بر روی واحد پردازش گرافیکی(GPU) بر اساس معماری CUDA

الگوریتم ژنتیک ، الگوریتمی مبتنی بر تکرار است و اصول اولیه آن از علم ژنتیک اقتباس گردیده است و با تقلید از تعدادی از فرایند های مشاهده شده در تکامل طبیعی اختراع شده است و به طور موثری از معرفت قدیمی موجود در یک جمعیت استفاده می کند، تا راه حل های جدید و بهبود یافته را ایجاد کند. تکنیک جستجویی در علم رایانه برای یافتن راه حل تقریبی برای بهینه سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم های تکامل است که از تکنیک های زیست شناسی فرگشتی مانند وراثت و جهش استفاده می کند. این الگوریتم در مسائل متنوعی نظیر بهینه سازی، شناسایی و کنترل سیستم، پردازش تصویر و مسایل ترکیبی و آموزش شبکه های عصبی مصنوعی و سیستم های مبتنی بر تصمیم و قاعده به کار می رود. پردازش موازی با استفاده از واحدهای پردازش گرافیک (GPU) در سال های اخیر توجه بسیاری را به خود جلب کرده است. محاسبه ی موازی میتواند از نظر فرایندهای موجودیت ها در جمعیت بر روی الگوریتم های ژنتیک (GA) اعمال شود . این مقاله پیاده سازی GA ها را در محیط معماری CUDA شرح میدهد CUDA یک محیط محاسبه ی همه منظوره برای GPU ها است. خصوصیت عمده ی این پژوهش این است که یک GA حالت دائمی مبتنی بر اجرای همروند هسته بر روی GPU پیاده سازی شده است و نتیجه می شود که روش پیاد سازی پیشنهادی 3 تا 6 برابر سریعتر از پیاده سازی مشابه روی CPU است.

کلیدواژه های بررسی الگوریتم های ژنتیک و تحلیل انواع پیاده سازی آن بر روی واحد پردازش گرافیکی(GPU) بر اساس معماری CUDA:

نویسندگان مقاله بررسی الگوریتم های ژنتیک و تحلیل انواع پیاده سازی آن بر روی واحد پردازش گرافیکی(GPU) بر اساس معماری CUDA

زهرا طیبی قصبه

کارشناسی ارشد مهندسی کامپیوتر، دانشگاه پیام نور

متین زمانی

دانشجوی کارشناسی ارشد کامپیوتر گرایش هوش مصنوعی ، دانشگاه صنعتی شاهرود

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
Masashi Oiso, Yoshiyuki Matumura, "Accelerating Steady-State Genetic Algorithms G2011 IEEE ...
Computation, pp.1-19, 2009. ...
Blelloch, G.E., Leiserson, C.E., Maggs, B.M., Plaxton, C.G., Smith, S.J. ...
_ Dorigo, M. and Maniezzo, V., 6Parallel genetic algorithms: Introduction ...
Programming Through Graphics Processing Units', Computation, pp.1-19, 2009. ...
Fujimoto, N., :Dense Matrix-Vector Multiplication on the CUDA Architecture', Parallel ...
Harding, S. and Banzhaf, W., ...
Symposium on High Performance Computing and Applications (HPCS' 07), pp.2, ...
Imade, H., Morishita, R., Ono, I., Ono, N. and Okamoto, ...
Langdon, W.B. and Banzhaf, W., ،GP On SPMD parallel graphics ...
Lim, D., Ong, Y., Jin, Y., Sendhoff, B. and Lee, ...
RNGs', Journal of Statistical Software, Vol. 8, Issue 14, Xorshift؛ ...
Nukada, A., Ogata, Y., Endo, T. and Matsuoka S., :Bandwidth ...
Oiso, M., Matsumura, Y., Yasuda, T., and Ohkura, K., ، ...
fluctuation analysis Accelerated؛ [14] Preis, T., Virnau, P., Paul, W. ...
Robilliard, D., Marion-Poty, _ and Fonlupt, C., 'Population Parallel GP ...
Generation Gap Model for Minimalء [16] Sato, H., Yamamura, Y., ...
Stone, S.S., Haldar, J.P., Tsao, S.C., Hwu, W.-m.W., Sutton, B.P. ...
Syswerda, G., :Uniform Crossover in Genetic Algorithms, Proceedings of the ...
Tsutsui, S. and Fujimoto, N., 'Solving Quadratic Assignment Problems by ...
Melhrdad Dianati, Insop Song, and Mark Treiber _ Introduction to ...
S.N. Sivanandam, S.N. Deepa , "Applications of Genetic Algorithms "Publisher ...
S.N. Sivanandam, S.N. Deepa "Classification of Genetic Algorithm " Publisher: ...
Nukada, A., Ogata, Y., Endo, T. and Matsuoka S., :Bandwidth ...
Oiso, M., Matsumura, Y., Yasuda, T., and Ohkura, K., :Evaluation ...
Sato, H., Ono, I., and Kobayashi, S., :A new generation ...
S.N. Sivanandam, S.N. Deepa "Introduction to Genetic Algorithms" Copyright 2008 ...
نمایش کامل مراجع

مقاله فارسی "بررسی الگوریتم های ژنتیک و تحلیل انواع پیاده سازی آن بر روی واحد پردازش گرافیکی(GPU) بر اساس معماری CUDA" توسط زهرا طیبی قصبه، کارشناسی ارشد مهندسی کامپیوتر، دانشگاه پیام نور؛ متین زمانی، دانشجوی کارشناسی ارشد کامپیوتر گرایش هوش مصنوعی ، دانشگاه صنعتی شاهرود نوشته شده و در سال 1394 پس از تایید کمیته علمی دومین کنگره سراسری فناوریهای نوین ایران با هدف دستیابی به توسعه پایدار پذیرفته شده است. کلمات کلیدی استفاده شده در این مقاله الگوریتم ژنتیک ، واحدهای پردازش گرافیک ، GPU ، CPU ، GA ، CUDA هستند. این مقاله در تاریخ 30 آبان 1394 توسط سیویلیکا نمایه سازی و منتشر شده است و تاکنون 1151 بار صفحه این مقاله مشاهده شده است. در چکیده این مقاله اشاره شده است که الگوریتم ژنتیک ، الگوریتمی مبتنی بر تکرار است و اصول اولیه آن از علم ژنتیک اقتباس گردیده است و با تقلید از تعدادی از فرایند های مشاهده شده در تکامل طبیعی اختراع شده است و به طور موثری از معرفت قدیمی موجود در یک جمعیت استفاده می کند، تا راه حل های جدید و بهبود یافته را ایجاد کند. تکنیک ... . این مقاله در دسته بندی موضوعی الگوریتم ژنتیک طبقه بندی شده است. برای دانلود فایل کامل مقاله بررسی الگوریتم های ژنتیک و تحلیل انواع پیاده سازی آن بر روی واحد پردازش گرافیکی(GPU) بر اساس معماری CUDA با 9 صفحه به فرمت PDF، میتوانید از طریق بخش "دانلود فایل کامل" اقدام نمایید.