|
|
Paralelization of Genetic Algorithms
Haupt, Daniel ; Šůcha,, Přemysl (oponent) ; Honzík, Petr (vedoucí práce)
This thesis deals with Genetic Algorithm parallelization and its evaluation. The theoretical part of the thesis describes the basics of Genetic Algorithms, parallel architectures, parallel computing and optimization, followed by the description of possibility to parallelize Genetic Algorithm. In practical part, the implementation of parallel Genetic Algorithm is discussed as well as design of experiment for the best evaluation by means of testing fitness functions. Subsequently the results obtained from the experiment on Eridani Cluster are evaluated in terms of speed up, the quality of solution and dependency on migration scheme used.
|
|
|
Akcelerace genetického algoritmu s využitím GPU
Pospíchal, Petr ; Šimek, Václav (oponent) ; Jaroš, Jiří (vedoucí práce)
Tento text představuje diplomovou práci se zaměřením na akceleraci Genetických algoritmů s použitím grafických čipů. První část popisuje Genetické algoritmy a s ním související populaci, chromozom, křížení, mutaci a selekci. Další část je věnována možnostem využití grafických karet jako prostředku pro obecné výpočty, kde jsou popsány jak možnosti programovatelné grafické pipeline s použitím DirectX/OpenGL a Cg, tak specializované knihovny pro GPGPU se zaměřením na architekturu CUDA. Další kapitola se zaměřuje na návrh implementace s použitím GPU, popsány jsou PGA modely a dílčí problémy, jako jsou rychlé řazení a generování náhodných čísel. Následují detaily implementace -- migrace, křížení a selekce mapovaná na CUDA softwarový model. Závěrem je provedeno srovnání rychlosti a kvality CPU a GPU části.
|
|
|
Genetic Algorithm Acceleration Using OpenCL
Hrušovský, Marek ; Šimek, Václav (oponent) ; Jaroš, Jiří (vedoucí práce)
This thesis tries to accelerate genetic algorithm (GA) using OpenCL standard. Acceleration is important for the industry that solves complex problems suitable for GA. The first part of the work contains theoretical background that is needed to understand the topic of parallelization GA and the OpenCL standard. The N-queens problem was chosen to demonstrate the capabilities of accelerating permutation genetic algorithm using the OpenCL standard. The designed model uses for acceleration two GPU cards. The last part of the work deals with benchmarking the parts that are important for GA. One random generator on the GPU is approximately 80 times faster than parallel version on the CPU. One evaluation method can be up to 8000 times faster on the GPU than on the CPU. The crossover functions did not obtain any significant speed-up. However, the parts are capable to obtain speed-ups but due to selection and crossover genetic algorithm operator the whole run of parallel GA on the GPU is maximally twice as fast as on the CPU.
|
|
|
Genetic Algorithm Acceleration Using OpenCL
Hrušovský, Marek ; Šimek, Václav (oponent) ; Jaroš, Jiří (vedoucí práce)
This thesis tries to accelerate genetic algorithm (GA) using OpenCL standard. Acceleration is important for the industry that solves complex problems suitable for GA. The first part of the work contains theoretical background that is needed to understand the topic of parallelization GA and the OpenCL standard. The N-queens problem was chosen to demonstrate the capabilities of accelerating permutation genetic algorithm using the OpenCL standard. The designed model uses for acceleration two GPU cards. The last part of the work deals with benchmarking the parts that are important for GA. One random generator on the GPU is approximately 80 times faster than parallel version on the CPU. One evaluation method can be up to 8000 times faster on the GPU than on the CPU. The crossover functions did not obtain any significant speed-up. However, the parts are capable to obtain speed-ups but due to selection and crossover genetic algorithm operator the whole run of parallel GA on the GPU is maximally twice as fast as on the CPU.
|
|
|
Akcelerace genetického algoritmu s využitím GPU
Pospíchal, Petr ; Šimek, Václav (oponent) ; Jaroš, Jiří (vedoucí práce)
Tento text představuje diplomovou práci se zaměřením na akceleraci Genetických algoritmů s použitím grafických čipů. První část popisuje Genetické algoritmy a s ním související populaci, chromozom, křížení, mutaci a selekci. Další část je věnována možnostem využití grafických karet jako prostředku pro obecné výpočty, kde jsou popsány jak možnosti programovatelné grafické pipeline s použitím DirectX/OpenGL a Cg, tak specializované knihovny pro GPGPU se zaměřením na architekturu CUDA. Další kapitola se zaměřuje na návrh implementace s použitím GPU, popsány jsou PGA modely a dílčí problémy, jako jsou rychlé řazení a generování náhodných čísel. Následují detaily implementace -- migrace, křížení a selekce mapovaná na CUDA softwarový model. Závěrem je provedeno srovnání rychlosti a kvality CPU a GPU části.
|
|
|
Paralelization of Genetic Algorithms
Haupt, Daniel ; Šůcha,, Přemysl (oponent) ; Honzík, Petr (vedoucí práce)
This thesis deals with Genetic Algorithm parallelization and its evaluation. The theoretical part of the thesis describes the basics of Genetic Algorithms, parallel architectures, parallel computing and optimization, followed by the description of possibility to parallelize Genetic Algorithm. In practical part, the implementation of parallel Genetic Algorithm is discussed as well as design of experiment for the best evaluation by means of testing fitness functions. Subsequently the results obtained from the experiment on Eridani Cluster are evaluated in terms of speed up, the quality of solution and dependency on migration scheme used.
|
host ::
RSS.