بررسی روش ها و امکانات موازی سازی الگوریتم های بهینه سازی مبتنی برجمعیت در پردازنده گرافیکی

سیدمرتضی موسوی; علی رفیعی

بررسی روش ها و امکانات موازی سازی الگوریتم های بهینه سازی مبتنی برجمعیت در پردازنده گرافیکی

Publish place: National Conference on Information Technology, Computer & Communication

Publish Year: 1394

نوع سند: مقاله کنفرانسی

زبان: Persian

This Paper With 18 Page And PDF Format Ready To Download

دریافت فایل کامل Paper

Certificate
من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

https://civilica.com/doc/451203

شناسه ملی سند علمی:

ITCC01_416

تاریخ نمایه سازی: 9 فروردین 1395

Abstract:

هدف از این مقاله ارائه راهکارها و روش های موازی سازی الگوریتم های بهینه سازی مبتنی بر جمعیت درواحد پردازش گرافیکی با استفاده از معماری کودا است. امروزه از الگوریتم های بهینه سازی مبتنی برجمعیت برای حل بسیاری از مسائل جستجو و بهینه سازی استفاده می شود. افزایش سرعت و کارائی اینالگوریتم ها همواره مورد توجه محققان بوده است. یکی از روش های افزایش سرعت این الگوریتم هااجرای موازی آنها در پردازنده های گرافیکی می باشد. در این مقاله ما به بررسی قابلیت های سخت افزاریو نرم افزاری پردازنده های گرافیکی و معماری کودا پرداخته و با توجه به این قابلیت ها ، روشها و مراحلموازی سازی در الگوریتم های بهینه سازی مبتنی بر جمعیت را برای اجرا در پردازنده های گرافیکی بررسیمی کنیم.

Keywords:

پردازنده گرافیکی , کودا , الگوریتم موازی بهینه سازی مبتنی بر جمعیت , الگوریتم بهینه سازی مبتنی بر جمعیت

Authors

سیدمرتضی موسوی

عضو هیئت علمی دانشگاه آزاد اسلامی- واحد اراک-گروه کامپیوتر – اراک- ایران

علی رفیعی

دانشجوی کارشناسی ارشد دانشگاه آزاد اسلامی- واحد اراک-گروه کامپیوتر – اراک- ایران

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 :

International Conference on Information Tecbnology, Computer & Communication رایمنذپژو0 28 ...
K. ZHOU, "GPU parallel computing: Programming language .debugging tools and ...
M.G. Arenas, G. Romero, A.M. Mora, P.A. Castillo, J.J. Merelo, ...
W. Wu, F. Qi, W. He, S. Wang, _ Mapped ...
O. Maitre, N. Lachiche, P. Clauss, L. Baumes, A. Corma, ...
_ Zhang, Z. Liu, "A Parallel Design of computer Go ...
M.L. Wong, T.T. Wong, K.L. Fok, "Parallel Evolutionary Algorithms on ...
K. M. Bakwad, S.S. Pattnik, B. S. Shi, S. Devi, ...
S.I. Bejinariu, "Image Registration using Bacterial Foraging Optimization Algorithm on ...
A. Delevacq, P. Delisle, M. Gravel, M. Krajecki, "Parallel Ant ...
G.H. Luo, S.K. Huang, Y.S. Chang, S.M. Yuan, _ Parallel ...
P. Pospichal , J. Jaros, and J. Schwarz, _ Parallel ...
Y. Zhou, and Y. Tan, "GPU-based Parallel Particle Swarm Optimization", ...
L.M. Schmitt, "Theory of genetic algorithms", Theoretical Computer Science ScienceDirect, ...
T. Sato, M. Hagiwara, "bee : system finding solution by ...
Dirk Sudholt, "Parallel Evolutionary Algorithms", Springer Handbook of Computational Intelligence, ...
J. Hofmann, S. Limmer, D. Fey, "Performance investigations of genetic ...
A. Colorni, M. Dorigo, V. Maniezzo, "Distributed Optimization by Ant ...
J. Kennedy, R. Eberhart, "Particle Swarm Optimization", Neural Networks Proccesings ...
C.B. Filho, M. Oliveria Junior, D. Nascimento, "Running Particle Swarm ...
NVIDIA Corporation, "NVIDIA CUDA GETTING STARTED GUIDE FOR MICROSOFI WINDOWS", ...
NVIDIA Corporation, "CUDA C PRO GRAMMING GUIDE", www.mvidia. con, PG-02829-0 ...
NVIDIA Corporation, "CUDA C BEST PRACTICES GUIDE", www.nvidia. com, DG-05603-0 ...
K. M. Passino, "Biomimicry ofBacterial Foraging for Distributed Optimization and ...
NVIDIA Corporation, _ SAMPLES, 01_76, 5, 2014 ...

نمایش کامل مراجع