دسته‌بندی نشده

معرفی مقاله در مورد مقایسه شتاب الگوریتم‌های کرم شب تاب، ذرات، ماهی و خفاش

بررسی اجمالی

الگوریتم های تکاملی ، با الهام از فرایندهای طبیعی و اصول تکاملی ، درصدد محاسبه بهترین راه حل ها برای مشکلات دشوار هستند که اغلب در متن مشکلات بهینه سازی ارائه می شوند. الگوریتم های تکاملی که از فرایندهای تکراری و جستجو در فضای مسئله استفاده می کنند ، راه حل های نزدیک به بهینه را محاسبه می کنند. با افزایش اندازه و پیچیدگی عملکرد هدف ، مسئله بهینه سازی راه حل های بهینه تری پیدا می کند که به آرامی به سمت بهینه سازی محلی همگرا شوند. یکی از اهداف ما دستیابی به راه حل بهینه با دقت بالا و سرعت بالا است.

الگوریتم های تکاملی مانند الگوریتم های ذرات ، کرم شب تاب ، خفاش ها و ماهی ها همزمان هستند زیرا آنها اعضای مختلف جمعیت اصلی را به صورت جداگانه جستجو می کنند ، بنابراین در صورت فراهم بودن شرایط ، سرعت این الگوریتم ها را می توان افزایش داد. کاهش زمان اعدام. در این مقاله ، الگوریتم های تکاملی را به طور موازی پیاده سازی می کنیم. برای موازی سازی و تسریع الگوریتم های تکاملی ذرات ، کرم ها ، خفاش ها و ماهی ها ، ما از کارت های گرافیک جدید یا فناوری موازی سازی کودا برای توسعه نسخه های موازی پرسرعت این الگوریتم ها برای حل مشکلات بهینه سازی استفاده کردیم.

سپس هر یک از الگوریتم های فوق بصورت جداگانه در پردازنده اصلی (سریال) و گرافیک (موازی) با استفاده از تعداد معینی از توابع شایسته برای محاسبه شتاب و سرعت آنها و در آخر ذرات ، کرم شب تاب ، خفاش اجرا می شود. الگوریتم های موازی ماهی را مقایسه کنید ، که از نظر دقت و سرعت با هم محاسبه می شوند. نتایج آزمایشات و شبیه سازی های مختلف نشان می دهد که چارچوب Koda می تواند سرعت این الگوریتم ها را در مقایسه با نسخه سریال افزایش دهد.

 

The Comparison among Firefly Algorithm (FA), Particles Swarm Optimization Algorithm (PSOA), Artificial Fish Swarm Algorithm (AFSA), and Bat Algorithm (BA) using Compute Unified Device Architecture (CUDA)

Roya Darabpour[1], Mohammad Khalili[2]

Islamic Azad University, Khomein Branch

Abstract

Evolutionary algorithms try to calculate the best solutions for the difficult problems that are mostly proposed in optimization problems framework by inspiration from the existed processes in nature and evolutionary principles. Evolutionary algorithms calculate the optimum solution by iterative processes and searching in near-to-solution problem space. Finding the optimized solution faces with dullness and more convergence probability to local optimizations by increasing dimensions and sophistication of target function of optimization problems while one of our goals is finding the optimum solutions with high precision and accuracy. Since evolutionary algorithms such as particles swarm optimization algorithm (PSOA), firefly algorithm (FA), bat algorithm (BA), and artificial fish swarm algorithm (AFSA) have parallel nature because ofseparate search for the initial population members. , If these conditions are provided, we can increase the speed of these algorithms and reduce the effect of initial population size and repetitions on execution time. These evolutionary algorithms were executed in parallel in this article. The new parallelizing technic of graphic card or Cuda was used to parallelize and increase speed of PSOA, FA, BA, and AFSA to develop one quick and parallel transcript of these algorithms for optimization problems. Then, each mentioned algorithm was individually executed in central processing unit (series) and graphic processing unit (parallel), and specific number of functions was used to calculate their acceleration and speed. Finally, the parallelized PSOA, FA, BA, and AFSA were compared based on precision and accuracy. The results of various tests and simulations showed that Cuda framework can increase the speed of these algorithms relatively than the speed of series transcript

 

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا