پیاده سازی موازی الگوریتم بهینه سازی جستجوی فاخته با زبان OpenCL بر روی GPU و بررسی تسریع حاصل از آن
Publish place: 1st National Industrial Mathematics Conference
Publish Year: 1393
Type: Conference paper
Language: Persian
View: 2,069
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
INDMATH01_018
Index date: 1 September 2014
پیاده سازی موازی الگوریتم بهینه سازی جستجوی فاخته با زبان OpenCL بر روی GPU و بررسی تسریع حاصل از آن abstract
یکی از مباحث مهم در علوم کامپیوتر و ریاضی بهینه سازی مسائل غیر قابل حل با روش های ریاضی معمول، با استفاده از روش های مبتنی بر تکرار است. در میان روش های مبتنی بر تکرار، الگوریتم های مبتنی بر جمعیت و الهام گرفته شده از طبیعت جایگاه خاصی دارند. اما موضوعی که مطرح می شود این است که اجرای این الگوریتم ها روی سیستم های کامپیوتری اغلب بسیار زمانگیر است. از این رو موازی سازی آن ها می تواند بسیار مفید و کمک کننده باشد. در این مقاله یکی از جدیدترین الگوریتم های بهینه سازی مبتنی بر جمعیت، را بطور موازی و با استفاده از زبان برنامه نویسی موازی OpenCL پیاده سازی می نماییم. این الگوریتم که از طبیعت الهام گرفته شده است، الگوریتم جستجوی فاخته نام دارد و بر اساس رفتار ادامه ی نسل پرنده ی فاخته عمل بهینه سازی را انجام می دهد. با انجام آزمایش های متنوع روی دو تابع معروف Sphere و Rosenbrock مقایسه ای بین برنامه ی موازی و سریال انجام می دهیم. این آزمایش ها بر روی یک GPU-GeForce GT 230M شامل 48 هسته انحام شده است. نتایج نشان می دهند که در محاسبات متوسط تا سنگین، با افزایش بار کاری روی سیستم، که منشأ آن می تواند پیچیدگی مسئله، یا اندازه ی جمعیت مورد استفاده باشد، تسریع موجود بین 32/1 تا 11/8 است.
پیاده سازی موازی الگوریتم بهینه سازی جستجوی فاخته با زبان OpenCL بر روی GPU و بررسی تسریع حاصل از آن Keywords:
پیاده سازی موازی الگوریتم بهینه سازی جستجوی فاخته با زبان OpenCL بر روی GPU و بررسی تسریع حاصل از آن authors
حامد علی محمدی
دانشگاه رازی کرمانشاه
سیدمحمد طباطبایی
دانشگاه رازی کرمانشاه
امیر رجب زاده
دانشگاه رازی کرمانشاه
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :