انتخاب ویژگی برای داده های بزرگ با استفاده از الگوریتم ژنتیک ترکیبی موازی به کمک برنامه نویسی CUDA

انتخاب ویژگی توجه بسیاری از حوزه های تحقیقاتی در سال های اخیر بویژه در حوزه داده های با ابعاد بالا را به خود جلب کرده است. از آنجایی که تکنیک های سنتی در این زمینه کارایی کمتری برای کار با داده ها با ابعاد بزرگ دارند. لذا در این مقاله که برای انجام عمل انتخاب ویژگی برروی داده های بزرگ صورت گرفته است، از یک روش ترکیبی که در درون آن جستجوی محلی برای بالا بردن سرعت همگرایی الگوریتم با استفاده از جدا سازی ویژگی ها به دو دسته متمایز شبیه استفاده شده است. موازی سازی این الگوریتم به روش پایه- پیرو صورت گرفته است پیاده سازی آن روی کارت گرافیک انجام شده است. استفاده از کارت گرافیک به کمک زبان برنامه نویسی CUDA زمان اجرای الگوریتم را به حدود یک دوم کاهش می دهد. نتایج آزمایش ها که برروی 16 دیتاست صورت گرفته است نشان میدهد که سرعت اجرای الگوریتم در حالت موازی حدوده دوبرابر بیشتر از حالت سری الگوریتم میباشد.

کلیدواژه ها:

انتخاب ویژگی ، واحد های پردازش گرافیکی((GPU ، معماری دستگاه یکپارچه محاسباتی((CUDA ، الگوریتم ژنتیک موازی ، مدل پایه-پیرو