افزایش سرعت همگرایی الگوریتم ژنیتک بر پایه واحد پردازش گرافیکی با استفاده از کودا

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 654

فایل این مقاله در 10 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:

NCRC01_014

تاریخ نمایه سازی: 25 آذر 1395

چکیده مقاله:

الگوریتم ژنتیک یک الگوریتم تکاملی است که از روش جستجوی مؤثر برای رسیدن به راه حل های بهینه یا نزدیک به بهینه استفاده می کند. نقطه ضعف الگوریتم ژنتیک بالا بودن زمان محاسبات آن است. با توجه به افزایش تقاضا برای الگوریتم های ژنیتک، مانند کاوش فضاهای جستجوی بزرگ با توابع ارزیابی پر هزینه و استفاده از جمعیت هایی با اندازه های بزرگ، یک نیاز فزاینده برای پیاده سازی و اجراهای سریع وجود دارد؛ از این رو ضروری است تا امکان آزمایش های سریع و انعطاف پذیر فراهم آید. در این مقاله از معماری موازی واحد پردازش گرافیکی برای سرعت بخشیدن به الگوریتم ژنیتک استفاده شد. در این راستا، مسئله معروف n وزیر به عنوان محکی برای پیاده سازی و اجرای الگوریتم ژنیتک مورد آزمایش قرار گرفت. نتایج پژوهش نشان داد که هر اندازه تعداد داده ها بیش تر باشد اختلاف زمان بین پردازش بر پایه کارت گرافیک و پردازش با استفاده از پردازنده مرکزی بیش تر می شود و در نهایت الگوریتم ژنتیک مبتنی بر پردازش کارت گرافیک سریع تر از نوع مبتنی بر پردازنده کرکزی اجرا می گردد.

کلیدواژه ها:

الگوریتم ژنتیک - واحد پردازش کارت گرافیک - برنامه نویسی موازی کودا

نویسندگان

مریم اصلانی

دانشجوی کارشناسی ارشد معماری سیستم های کامپیوتری، دانشگاه آزاد اسلامی واحد کرمان، کرمان

علی محمد لطیف

استادیار، دانشکده مهندسی برق و کامپیوتر، دانشگاه یزد، یزد

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 :
  • Seo, J., Ko, E., and Kim, Y., "Performance comparison of ...
  • Johar, F.M., Ayuni Azmin, F., Kadim Suaidi, M., et al, ...
  • Banzhaf, W., Harding, S., et al., Genetic Programming Theory and ...
  • Kolomycki, M., "Use nvidia cuda technology to create genetic algorithms ...
  • Arora, R., Tulshyan, R., and Deb, K., "Parallelization of binary ...
  • Wong, M.-L, , and Wong, T.-T., "Parallel hybrid genetic algorithms ...
  • Yu, Q., Chen, C., and Pan, Z., "Parallel genetic algorithms ...
  • Robilliard, D., Marion-Poty, V., and Fonlupt, C., "Population parallel gp ...
  • Tsutsui, S., and Fujimoto, N., "Solving quadratic assignment problems by ...
  • Fok, K.-L., Wong, T.-T., and Wong, M.-L., "Evolutionary computing _ ...
  • Pospichal, P., and Schwarz, J., "Gpu-based acceleration of the genetic ...
  • Shah, R., Narayanan, P.J., and Kothapalli, K., _ _ Gpu ...
  • Karegowda, A.G., Manjunath, A.S., and Jayaram, M.A., "Application of Genetic ...
  • B. Kirk, D., and W. Hwu, W., In Praise of ...
  • Feinbube, F., Rabe, B., et al., "Nqueens on cuda: optimization ...
  • نمایش کامل مراجع