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: 1,037

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:

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.

نویسندگان

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