Academic literature on the topic 'Paralelní genetický algoritmus'
Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles
Consult the lists of relevant articles, books, theses, conference reports, and other scholarly sources on the topic 'Paralelní genetický algoritmus.'
Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.
You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.
Journal articles on the topic "Paralelní genetický algoritmus"
1
Ramirez-Rios, Diana G., Claudia Marcela Rodríguez Pinto, Javier Visbal Martínez, et al. "A bi-criteria optimization model for parallel machine scheduling: game theoretic vs genetic algorithms." International Journal of Management Science and Operations Research 1, no. 1 (2016): 20–30. http://dx.doi.org/10.17981/ijmsor.01.01.03.
Full text
2
Untoro, F. X. Wisnu Yudo. "PEMANFAATAN ALGORITMA GENETIKA UNTUK MEMBANGUN KOMBINASI PARALEL RESISTANSI YANG SETARA DENGAN RESISTANSI RUSAK." Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) 8, no. 2 (2019): 94. http://dx.doi.org/10.23887/janapati.v8i2.17193.
Full textAbstract:
Dalam kurun waktu tertentu barang elektronik akan mengalami kerusakan. Kerusakan ini disebabkan adanya komponen elektronik yang tidak bekerja dengan semestinya. Salah satu komponen elektronik yang bisa rusak ini adalah resistor. Di sisi penyedia jasa service barang elektronik, ketersediaan komponen resistornya cukup terbatas. Terbatasnya ketersediaan resistor ini dapat menimbulkan masalah bila resistansi dari barang elektronik yang rusak tidak tersedia. Memperhatikan hal tersebut usulan penelitian ini adalah pencarian resistansi yang rusak melalui data ketersediaan resistor menggunakan algpritma genetika. Dalam usulan ini, masukan nilai resistansi rusak akan memberikan luaran berupa kombinasi paralel resistansi yang semiliritas dengan resistansi yang rusak. Penerapan parameter probabilitas crossover 0.9 dan pobabilitas mutasi 0.1, algoritma genetika telah mampu memberikan hasil kombinasi paralel resistansi yabg setara dengan resistansi rusak.
3
F.X. Wisnu Yudo Untoro. "Optimasi Nilai Resistansi Pada Rangkaian Resistansi Kombinasi Paralel-Seri Yang Setara Dengan Nilai Resistansi Rusak Menggunakan Algoritma Genetika." KURVATEK 4, no. 2 (2019): 53–60. http://dx.doi.org/10.33579/krvtk.v4i2.1562.
Full textAbstract:
Pada makalah ini mendiskusikan tentang ketersediaan nilai resistensi yang terbatas digunakan untuk memperoleh nilai resistansi daro resistor yang rusak. Usulan yang ditawarkan adalah mempergunakan bentuk rangkaian resistansi kombinasi paralel-seri. Untuk memperoleh nilai-nilai resistansi bagi rangkaian resistor kombinasi paralel-seri supaya menghasilkan nilai resistansi yang setara dengan nilai resistansi dari resistor yang rusak menggunakan algoritma genetika. Hasil simulasi menunjukkan bahwa dengan memberikan masukan berupa nilai resistansi dari resistor yang rusak sebesar 75 ῼ, jumlah populasi 10, jumlah generasi 50, serta dengan masukan operator algoritma genetika, diantarnya probabilitas crossover 90%, dan probabilitas mutasi gen 10% diperoleh nilai resistansi yang setara dengan nilai resistansi dari resistor yang rusak untuk rangkaian resistansi kombinasi paralel-seri adalah R1 = 50 ῼ, R2 = 50 ῼ, dan R3 = 50 ῼ.
 Kata kunci: algoritma genetika, rangkaian resistansi kombinasi paralel seri.
4
Iglesias, A., V. M. Cruz-Atienza, N. M. Shapiro, S. K. Singh, and J. F. Pacheco. "Crustal structure of south-central Mexico estimated from the inversion of surface-wave dispersion curves using genetic and simulated annealing algorithms." Geofísica Internacional 40, no. 3 (2001): 181–90. http://dx.doi.org/10.22201/igeof.00167169p.2001.40.3.321.
Full textAbstract:
A partir de catorce sismos de subducción, agrupados en dos trayectorias (una perpendicular y otra paralela a la línea de costa), se calculó un apilado sobre las curvas de dispersión de velocidad de grupo. Estas curvas promedio fueron invertidas usando, por separado, los métodos de algoritmos genéticos y recristalización simulada. Los resultados muestran fuertes diferencias entre ambos modelos corticales, sobre todo, en los parámetros de la capa más somera y en la localización del Moho. Estas diferencias pueden ser explicadas debido a que la primera trayectoria atraviesa el terreno tectonoestratigráfico "Guerrero" y la segunda el "Oaxaca". La inversión con algoritmos genéticos (GA) probó ser considerablemente más rápida que aquélla con recristalización simulada (SA). Por otro lado SA requiere una pequeña cantidad de memoria y alcanza un desajuste menor que G.A.
5
., Rahman. "PENERAPAN MODEL TANGKI DENGAN TIGA TANGKI SUSUNAN PARALEL UNTUK TRANSFORMASI DATA HUJAN MENJADI DATA DEBIT (STUDI KASUS PADA INFLOW WADUK SELOREJO DAN WADUK LAHOR)." Jurnal Media Teknik Sipil 9, no. 2 (2013). http://dx.doi.org/10.22219/jmts.v9i2.1203.
Full textAbstract:
An inspiriting factor in making a hydrology model especially rain water transformation datamodel to become debit data is debit accumulation handicap. Sugawara cube model is one of conceptualmodels which has concept rain water stream process become a river stream is analogized as astream through the parallel cube. The approach of cube model can be done in seri, parallel, or themixed.Modeling simulation processes will produce parameters or coefficients of cube model makethe cube model and its parameters can show the condition of river stream area.Three parallel cubes have 14 chosen parameters. The solution is optimizing it to get optimalparameter that can represent a DAS modeled. Algoritma Genetik can be used in the optimizationprocess; it shows the effectiveness and the capacity to determine parameter. The result of theanalysis of 2 DAS shows that the cube model with 3parallel cube represents the correlation ofclimate data and water debit with good process., model gives good trend in fluctuate debit of water.This optimizing technique is covered in Mantlab programming language which is ready to be developedin another DAS.Key word : Hydrology model, 3 Parallel cube model, Parameter, Optimize, Algoritma Genetik
6
Muharni, Yusraini, Ade Irman Saeful M, and Tania Ero Rubyanti. "PENJADWALAN FLOW SHOP MESIN PARALEL MENGGUNAKAN METODE LONGEST PROCESSING TIME DAN CROSS ENTROPY-GENETIC ALGORITHM PADA PEMBUATAN PRODUK STEEL BRIDGE B-60." Jurnal Ilmiah Teknik Industri 7, no. 3 (2020). http://dx.doi.org/10.24912/jitiuntar.v7i3.6338.
Full textAbstract:
Sistem produksi di sebuah perusahaan fabrikasi seingkali mengalami permasalahan salah satunya adalah ketika perusahaan tidak mampu mengirim order kepada customer di waktu yang telah ditentukan. Hal ini dapat menyebabkan perusahaan harus menanggung biaya pinalti. Masalah ini dapat diatasi apabila dilakukannya penjadwalan produksi dengan baik. Pentingnya penjadwalan produksi adalah untuk mengelola dengan tepat sumber daya yang ada agar terciptanya efektivitas dan efisiensi dalam penggunaan sumber daya. Salah satu usaha yang dilakukan untuk tercapainya penjadwalan yang optimal adalah dengan meminimalkan makespan. Produk Steel Bridge B-60 merupakan salah satu dari jenis jembatan Truss Bridge yang diproduksi oleh Perusahan Fabrikasi Baja Struktur Kontruksi yang berlokasi di Cilegon. Perusahan tersebut memiliki sistem produksi make to order dengan alur produksi flow shop dan susunan mesin paralel. Penelitian ini dilakukan dengan menerapkan pendekatan heuristic metode LPT (Longest Processing Time) dan pendekatan metaheuristic dengan menggunakan metode Cross Entropy yang dikombinasikan dengan Genetic Algorithm yang dikenal dengan sebutan CEGA (Cross Entropy Genetic Algortihm). Algoritma metaheuristic diterjemahkan ke dalam Bahasa pemograman Matlab. Hasil perbandingan kedua metode menunjukkan bahwa kedua metode usulan yaitu LPT dan CEGA lebih baik dari metode eksisting dan memiliki efisiensi sebesar 7.94%.
Dissertations / Theses on the topic "Paralelní genetický algoritmus"
1
Vrábel, Lukáš. "Paralelní genetický algoritmus pro vícejádrové systémy." Master's thesis, Vysoké učení technické v Brně. Fakulta informačních technologií, 2010. http://www.nusl.cz/ntk/nusl-237236.
Full textAbstract:
Genetický algoritmus je optimalizačná metóda zameraná na efektívne hľadanie riešení rozličných problémov. Je založená na princípe evolúcie a prirodzeného výberu najschopnejších jedincov v prírode. Keďže je táto metóda výpočtovo náročná, bolo vymyslených veľa spôsobov na jej paralelizáciu. Avšak väčšina týchto metód je z historických dôvodov založená na superpočítačoch alebo rozsiahlych počítačových systémoch. Moderný vývoj v oblasti informačných technológií prináša na trh osobných počítačov stále lacnejšie a výkonnejšie viacjadrové systémy. Táto práca sa zaoberá návrhom nových metód paralelizácie genetického algoritmu, ktoré sa snažia naplno využiť možnosti práve týchto počítačových systémov. Tieto metódy sú následne naimplementované v programovacom jazyku C za využitia knižnice OpenMP určenej na paralelizáciu. Implementácia je následne použitá na experimentálne ohodnotenie rozličných charakteristík každej z prezentovaných metód (zrýchlenie oproti sekvenčnej verzii, závislosť konvergencie výsledných hodnôt od miery paralelizácie alebo od vyťaženia procesoru, ...). V poslednej časti práce sú prezentované porovnania nameraných hodnôt a závery vyplývajúce z týchto meraní. Následne sú prediskutované možné vylepšenia daných metód vyplývajúce z týchto záverov, ako aj možnosti spracovania väčšieho množstva charakteristík na presnejšie ohodnotenie efektivity paralelizácie genetických algoritmov.
2
Haupt, Daniel. "Paralelizace genetických algoritmů." Master's thesis, Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií, 2011. http://www.nusl.cz/ntk/nusl-218931.
Full textAbstract:
Tato práce se zabývá možností paralelizace Genetického Algoritmu a jeho ná-sledné evaluace pomocí testovacích účelových funkcí. První část je teoretická a shrnuje základní poznatky z oblasti Genetických Algoritmů, paralelních archi-tektur, paralelních výpočtů a optimalizace. A dále je tato část doplněna o mož-nosti paralelizace Genetického Algoritmu. V následující praktické části je rozebrán algoritmus paralelního Genetického Algoritmu, jenž je použitý při experimentu a také je diskutována struktura a účel zvoleného experimentu. Následně jsou diskutovány výsledky získané z běhu experimentu na Eridani Clusteru z pohledu zrychlení výpočtu, kvality nalezeného řešení a závislosti kvality řešení na migračním schématu.
3
Hrušovský, Marek. "Akcelerace genetického algoritmu s využitím OpenCL." Master's thesis, Vysoké učení technické v Brně. Fakulta informačních technologií, 2010. http://www.nusl.cz/ntk/nusl-237246.
Full textAbstract:
Tato práce se zabývá problematikou urychlování genetických algoritmů a hned v úvodu nastiňuje možnosti využití genetických algoritmů v praxi. V první kapitole je detailně rozebrán princip fungování genetického algoritmu. Tato kapitola se dále zabývá možnostmi zákódování problému, který je použit pro běh genetického algoritmu. Konkrétně je vzpomenuto binární zakódování jedince, celočíselné zakódování jedince, neceločíselné zakódování jedince a permutační zakódování jedince. Pro každý typ zakódování jsou dále představeny genetické operátory mutace, křížení a selekce. Důraz je kladen na permutační genetické operátory OX a PMX. Další kapitola se zabývá možnostmi paralelizace genetického algoritmu. Další kapitola představuje nový standard jménem OpenCL, který umožňuje snadnou paralelizaci výpočtú s využitím různých typů procesorů v ten samý čas. OpenCL taktéž zjednodušuje programování pro grafické karty. Další kapitola navrhuje možnost, jak urychlit výpočet genetického algoritmu s využitím grafické karty a jazyka OpenCL. Pro urychlení byl zvolen permutační genetický algoritmus "problém N-dam", který je náročný na paměť grafické karty. Tato kapitola rozebírá technické specifikace grafické karty, které jsou nevyhnutelné k určení maximální velikosti šachovnice. V kapitole je analyzována správná práce s pamětí grafické karty, která je nevyhnutelná k dosažení urychlení zvoleného genetického algoritmu. Jsou zde taky nastíněny dva generátory náhodných čísel, které jsou součástí testů. Následující kapitola detailně popisuje fungování navržené paralelizace genetického algoritmu. Jsou zde porovnány dvě metody evaluace jedince a je popsán způsob testování a vyhodnocování výsledků. Předposlední kapitola porovnává časovou náročnost generátorů náhodných čísel. Bylo zjištěno, že generátor HybridTaus je o 20 rychlejší o proti generátoru XORshift na GPU. Na CPU byl naopak rychlejší generátor XORshift. Generátor XORshift je na GPU 20 krát rychlejší a generátor HybridTaus je dokonce až 80 krát rychlejší. Dále byly porovnány evaluační funkce. Bylo zjištěno, že GPU běh je 800 krát rychlejší oproti běhu na CPU. Paměťově náročná evaluační metoda byla schopná dosáhnout jenom dvojnásobné zrychlení. Kapitola dále porovnává funkce křížení. PMX dosáhlo zrychlení maximálně o 100 a i to v případech, které nejsou atraktivní pro řešení problému N-dam (N>20). V případe OX je možné dosáhnout zrychlení až o 1100. Také v tomto případě jsou atraktivní hodnoty pouze do 500. Testy, které vyhodnocují běh celého GA, ukázaly, že GPU verze je zhruba dvojnásobně rychlejší. Malé zrychlení bylo způsobeno operátorem selekce a funkcí křížení.
4
Pospíchal, Petr. "Akcelerace genetického algoritmu s využitím GPU." Master's thesis, Vysoké učení technické v Brně. Fakulta informačních technologií, 2009. http://www.nusl.cz/ntk/nusl-236783.
Full textAbstract:
This thesis represents master's thesis focused on acceleration of Genetic algorithms using GPU. First chapter deeply analyses Genetic algorithms and corresponding topics like population, chromosome, crossover, mutation and selection. Next part of the thesis shows GPU abilities for unified computing using both DirectX/OpenGL with Cg and specialized GPGPU libraries like CUDA. The fourth chapter focuses on design of GPU implementation using CUDA, coarse-grained and fine-grained GAs are discussed, and completed by sorting and random number generation task accelerated by GPU. Next chapter covers implementation details -- migration, crossover and selection schemes mapped on CUDA software model. All GA elements and quality of GPU results are described in the last chapter.
5
Tuleja, Martin. "Genetické algoritmy – implementace paralelního zpracování." Master's thesis, Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií, 2018. http://www.nusl.cz/ntk/nusl-377098.
Full textAbstract:
Genetic algorithms are modern algorithms intended to solve optimization problems. Inspiration originates in evolutionary principles in nature. Parallelization of genetic algorithms provides not only faster processing but also new and better solutions. Parallel genetic algorithms are also closer to real nature than their sequential counterparts. This paper describes the most used models of parallelization of genetic algorithms. Moreover, it provides the design and implementation in programming language Python. Finally, the implementation is verified in several test cases.
6
Hrbáček, Radek. "Automatický multikriteriální paralelní evoluční návrh a aproximace obvodů." Doctoral thesis, Vysoké učení technické v Brně. Fakulta informačních technologií, 2017. http://www.nusl.cz/ntk/nusl-412591.
Full textAbstract:
Spotřeba a energetická efektivita se stává jedním z nejdůležitějších parametrů při návrhu počítačových systémů, zejména kvůli omezené kapacitě napájení u zařízení napájených bateriemi a velmi vysoké spotřebě energie rostoucích datacenter a cloudové infrastruktury. Současně jsou uživatelé ochotni do určité míry tolerovat nepřesné nebo chybné výpočty v roustoucím počtu aplikací díky nedokonalostem lidských smyslů, statistické povaze výpočtů, šumu ve vstupních datech apod. Přibližné počítání, nová oblast výzkumu v počítačovém inženýrství, využívá rozvolnění požadavků na funkčnost za účelem zvýšení efektivity počítačových systémů, pokud jde o spotřebu energie, výpočetní výkon či složitost. Aplikace tolerující chyby mohou být implementovány efektivněji a stále sloužit svému účelu se stejnou nebo mírně sníženou kvalitou. Ačkoli se objevují nové metody pro návrh přibližně počítajících výpočetních systémů, je stále nedostatek automatických návrhových metod, které by nabízely velké množství kompromisních řešení dané úlohy. Konvenční metody navíc často produkují řešení, která jsou daleko od optima. Evoluční algoritmy sice přinášejí inovativní řešení složitých optimalizačních a návrhových problémů, nicméně trpí několika nedostatky, např. nízkou škálovatelností či vysokým počtem generací nutných k dosažení konkurenceschopných výsledků. Pro přibližné počítání je vhodný zejména multikriteriální návrh, což existující metody většinou nepodporují. V této práci je představen nový automatický multikriteriální paralelní evoluční algoritmus pro návrh a aproximaci digitálních obvodů. Metoda je založena na kartézském genetickém programování, pro zvýšení škálovatelnosti byla navržena nová vysoce paralelizovaná implementace. Multikriteriální návrh byl založen na principech algoritmu NSGA-II. Výkonnost implementace byla vyhodnocena na několika různých úlohách, konkrétně při návrhu (přibližně počítajících) aritmetických obvodů, Booleovských funkcích s vysokou nelinearitou či přibližných logických obvodů pro tří-modulovou redundanci. V těchto úlohách bylo dosaženo význammých zlepšení ve srovnání se současnými metodami.
7
Snášelová, Petra. "Analýza genetických algoritmů." Master's thesis, Vysoké učení technické v Brně. Fakulta informačních technologií, 2013. http://www.nusl.cz/ntk/nusl-236206.
Full textAbstract:
This thesis deals with analysis of genetic algorithms. It is focused on various approaches to creation of new populations. A comparison between basic principles of operation of genetic algorithms and processes occurring in living organisms is drawn here. Some methods of application of particular steps of genetic algorithms are introduced and a suitability of the methods to certain types of problems is considered. The main goal in the thesis is to apply genetic algorithms in solving three types of optimization problems, namely the solution of functions with a single major extreme, functions with flat (slight) extreme and also functions with many local extremes.
8
Schmidt, Lucas Bogdanov. "Estudo da confiabilidade em sistemas série-paralelo com dois modos de falha." reponame:Biblioteca Digital de Teses e Dissertações da UFRGS, 2017. http://hdl.handle.net/10183/156483.
Full textAbstract:
Essa dissertação propõe um conjunto de experimentos de simulação em sistemas sujeitos a dois modos de falha com vistas à otimização de confiabilidade. Para tanto, propõe a modelagem analítica e otimização via Algoritmo Genético em sistemas série-paralelo com múltipla escolha de componentes. A ocorrência de falhas em produtos e serviços pode gerar descontentamento aos clientes e até riscos à sua segurança. Em muitos casos práticos, sistemas constituídos por componentes que apresentam dois modos de falha (ou seja, que podem falhar no modo aberto ou curto) são caracterizados por elevada complexidade matemática e analítica para mensuração de sua confiabilidade e estabelecimento de arranjos ótimos. O objetivo da modelagem de estruturas com foco na otimização de confiabilidade consiste em determinar o arranjo que proporciona níveis mais elevados de confiabilidade, ao passo que problemas de alocação de redundância visam à seleção de componentes e níveis apropriados de redundância que maximizem a confiabilidade ou minimizem os custos do sistema frente a restrições de projeto. São estudados os sistemas série-paralelo k-out-of-n (em que qualquer combinação de k dentre n componentes devem operar devidamente). Esse trabalho inova ao apresentar sistemas série-paralelo l-out-of-m, onde a falha de até l dentre m subsistemas não ocasiona falha no sistema geral. Os métodos apresentados fornecem uma contribuição ao estudo de confiabilidade em sistemas com dois modos de falha.<br>This dissertation proposes a set of simulation experiments in series-parallel systems subject to two failure modes with a view to reliability optimization. Therefore, proposes analytical modeling and optimization by the genetic algorithms in k-out-of-n series-parallel systems and l-out-of-m series-parallel systems, with multiple choice of components. When it comes to products and services, functional errors can lead disgruntlement by customers and even security risks. In many practical cases, systems consisting of two failure modes components (ie, they can fail in open or short mode) rely on highly mathematical and analytical complexity for reliability estimation and establishment of optimal arrangements. The goal of structural modeling focused on reliability optimization is to determine the design that provides the highest reliability levels, while the redundancy allocation problem involves selecting components and appropriate levels of redundancy that either maximize reliability or minimize system costs against design constraints. The k-out-of-n series-parallel structure (any combination of k among n components must operate properly) are studied and this work innovates by presenting l-out-of-m series-parallel systems, where failure of up to l within m subsystems does not cause a overall system failure. The methods presented contribute to the study of reliability in systems with two modes of failure.
9
Ferreira, Rubem Euzébio. "Implementação de algoritmos genéticos paralelos em uma arquitetura MPSoC." Universidade do Estado do Rio de Janeiro, 2009. http://www.bdtd.uerj.br/tde_busca/arquivo.php?codArquivo=7546.
Full textAbstract:
Essa dissertação apresenta a implementação de um algoritmo genético paralelo utilizando o modelo de granularidade grossa, também conhecido como modelo das ilhas, para sistemas embutidos multiprocessados. Os sistemas embutidos multiprocessados estão tornando-se
cada vez mais complexos, pressionados pela demanda por maior poder computacional requerido pelas aplicações, principalmente de multimídia, Internet e comunicações sem fio, que são executadas nesses sistemas. Algumas das referidas aplicações estão começando a utilizar algoritmos
genéticos, que podem ser beneficiados pelas vantagens proporcionadas pelo processamento paralelo
disponível em sistemas embutidos multiprocessados. No algoritmo genético paralelo do modelo das ilhas, cada processador do sistema embutido é responsável pela evolução de uma população de forma independente dos demais. A fim de acelerar o processo evolutivo, o operador
de migração é executado em intervalos definidos para realizar a migração dos melhores indivíduos entre as ilhas. Diferentes topologias lógicas, tais como anel, vizinhança e broadcast, são analisadas na fase de migração de indivíduos. Resultados experimentais são gerados para
a otimização de três funções encontradas na literatura.<br>This dissertation presents an implementation of a parallel genetic algorithm using the
coarse grained model, also known as the islands model, targeted to MPSoCs systems. MPSoC
systems are becoming more and more complex, due to the greater computational power
demanded by applications, mainly those that deal with multimedia, Internet and wireless communications,
which are executed within these systems. Some of these applications are starting
to use genetic algorithms, that can benefit from the parallel processing offered by MPSoC. In
the island model for parallel genetic algorithm, each processor is responsible for evolving the
corresponding population independently from the others. Aiming at accelerating the evolutionary
process, the migration operator is executed periodically in order to migrate the best
individuals among islands. Different logic topologies, such as ring, neighborhood and broadcast,
are analyzed during the migration step. Experimental results are generated for the
optimization of three functions found in the literature.
10
Pánek, Richard. "Evoluční návrh kombinačních obvodů na počítačovém clusteru." Master's thesis, Vysoké učení technické v Brně. Fakulta informačních technologií, 2015. http://www.nusl.cz/ntk/nusl-264962.
Full textAbstract:
This master's thesis deals with evolutionary algorithms and how them to use to design of combinational circuits. Genetic programming especially CGP is the most applicable to use for this type of task. Furthermore, it deals with computation on computer cluster and the use of evolutionary algorithms on them. For this computation is the most suited island models with CGP. Then a new way of recombination in CGP is designed to improve them. This design is implemented and tested on the computer cluster.
Conference papers on the topic "Paralelní genetický algoritmus"
1
Xavier, Eduardo. "Uma Interface de Programação de Aplicações para o BRKGA na plataforma CUDA." In XX Simpósio em Sistemas Computacionais de Alto Desempenho. Sociedade Brasileira de Computação, 2019. http://dx.doi.org/10.5753/wscad.2019.8653.
Full textAbstract:
Neste artigo apresentamos o desenvolvimento de uma Interface de Programação de Aplicações (IPA) para o framework Biased Random-Key Genetic Algorithms (BRKGA), para execução na plataforma CUDA. Nós comparamos a performance da IPA para BRKGA proposta contra uma IPA padrão para BRKGA proposta por Toso e Resende, e mostramos que mesmo usando uma GPGPU de entrada, é possı́vel obter um speedup significativo. No mesmo espı́rito da IPA padrão para BRKGA, nós desenvolvemos a nossa IPA de tal forma que os aspectos lógicos principais do BRKGA são considerados na IPA e pouco esforço de um usuário é requerido para usar a IPA para implementar soluções para problemas especı́ficos. O trabalho do usuário é a implementação de uma função dependente do problema, que dado um vetor de chaves aleatórias computa uma solução para o problema sendo considerado. Nós apresentamos um exemplo de uso da IPA para o problema Traveling Salesman Problem (TSP) e mostramos que a execução da IPA em CUDA é mais rápida do que a execução da IPA padrão mesmo quando esta última é executada em paralelo com uso de OpenMP com várias threads de processamento.