افزایش موازی سازی GPU برای الگوریتم های الهام گرفته شده از طبیعت

مقاله: افزایش موازی سازی GPU برای الگوریتم های الهام گرفته شده از طبیعت

این مقاله در سال 2012 توسط José M. Cecilia و همکارانش با موضوع افزایش موازی سازی GPU برای الگوریتم های الهام گرفته شده از طبیعت در Springer به چاپ رسیده است.

در این مقاله پیاده سازی های GPU که با دو روش بهینه ساز الهام گرفته شده از طبیعت می باشند، ارائه می شود. الگوریتم کلونی مورچگان یک روش دو مرحله ای مبتنی بر جمعیت است که روی رفتار غذای مورچه ها مدل سازی شده است. روش های این مقاله روی استخراج موازی داده ها و سلسله مراتب حافظه تمرکز دارد. همچنین نسل های مختلف GPU هم مورد مقایسه قرار می گیرد.

در این مقاله به بررسی رفتار الگوریتم ACO و روش های سیستم P روی GPU پرداخته شده است. ناکارآمدی های اصلی پیاده سازی ها شناسایی می شود و از طریق بهینه سازی های مختلف بهبود قابل قبولی ارائه می شود. دید کلی در این مقاله:

الف: محاسبه نقطه شناور. ب: در بالاترین سطح، موازی سازی وظایف که با الگوریتم های اولیه پیاده سازی شده اند. همچنین موازی سازی داده ها برای استخراج به کمک SIMD و کودا پیشنهاد می شود. ج: مجموعه ای از استراتژی ها که هدفشان جلوگیری از دستورالعمل های اتمیک می باشد.

تنظیم الگوریتم کلونی مورچگان برای حل مسئله فروشنده دوره گرد روی GPU

در این بخش از مقاله، چندین پیاده سازی از سیستم مورچه که برای حل مسئله TSP بکاربرده شده است مورد بررسی قرار می گیرد. الگوهای محاسباتی مختلف پیشنهاد می شود و دو دیدگاه طراحی مختلف برای ساخت مسیر معرفی می شود و چندین تکنیک GPU مختلف برای افزایش پهنای باند داده در طول مرحله بروزرسانی فرومون توصیف می شود.

مروری بر پیاده سازی مبتنی بر GPU الگوریتم های هوش جمعی

مقاله: مروری بر پیاده سازی مبتنی بر GPU الگوریتم های هوش جمعی

این مقاله در سال 2015 توسط Ying Tanو Ke Ding با موضوع مروری بر پیاده سازی های مبتنی بر GPU از الگوریتم های هوش جمعی در IEEE پذیرفته شده است.

با الهام از طبیعت الگوریتم های هوش جمعی به طور گسترده ای برای حل مسائل بهینه سازی مورد استفاده قرار می گیرند. زمانی که برای حل مسائل پیچیده مورد استفاده قرار می گیرند تعداد زیادی از ارزیابی های توابع برازش برای بدست آوزدن راه حل قابل قبول مورد نیاز است. برای مقابله با این مسئله حیاتی، واحد های فرآیند گرافیکی (GPU) برای سرعت بخشیدن به فرآیند بهینه سازی الگوریتم های هوش جمعی مورد استفاده قرار می گیرد.

الگوریتم های هوش جمعی برای پیاده سازی موازی سازی تحت پلتفرم GPU بسیار مناسب هستند و در سال های اخیر موفقیت های بزرگی را بدست آوردند.

این مقاله یک مرور جامعی از الگوریتم های هوش جمعی مبتنی بر GPU مطابق با تازه ترین طبقه بندی پیشنهاد شده ارائه داده است.  علاوه بر این معیارهای جدید برای ارزیابی و مقایسه پیاده سازی موازی و کارائی الگوریتم در سطح جهانی پیشنهاد شده است.

عقلانی و عملی بودن متدولوژی و معیارهای بهینه سازی پیشنهاد شده با مطالعه موردی (case study) دقیق مورد ارزیابی قرار گرفته شده است.

در این مقاله، الگوریتم های هوش جمعی مبتنی بر GPU به چهار دسته مختلف طبقه بندی شده است. پیاده سازی موازی الگوریتم های هوش جمعی هم روی CPU و هم روی GPU اجرا شده است. علاوه بر معیار کارائی، بازدهی اصلاح شده برای ارزیابی پیاده سازی موازی پیشنهاد شده است.

بهینه سازی چند هدفه (MOO) همیشه جزو موضوعات داغ در هوش جمعی ها بوده است. با این حال، پیاده سازی های کمی قادر به استفاده از توانایی محاسباتی GPU را دارد چون چند هدفه ها محاسبات متمرکز تر و فشرده تری نسبت به تک هدفه ها دارند.

بیشتر از سکوی CUDA برای پیاده سازی مسائل هوش جمعی مبتنی بر GPU مورد استفاده قرار می گیرد. که البته ایراد آن در این است که محدود به کارت گرافیک های شرکت انویدیا می باشد.

ساختارهای ممتیکی موازی

مقاله: ساختارهای ممتیکی موازی

این مقاله در سال 2012 با موضوع "ساختارهای ممتیکی موازی" توسط Fabio Caraffini,  Ferrante Neri, Giovanni Iacca , Aran Mol در مجله دانش های اطلاعاتی چاپ شده است. ساختارهای محاسباتی ممتیک، الگوریتم هایی با ترکیبی از عملگرهای ناهمگن بنام meme برای حل مسائل بهینه سازی می باشند. به منظور حل این گونه مسائل، در این مقاله یک ساختار موثر ساده بنام ساختار ممتیکی موازی (PMS) پیشنهاد می شود. PMS یک الگوریتم حل بهینه سازی ساده است که با عملگرهای درختی ترکیب شده است. یکی از آنها جستجوی تصادفی سراسری است که کل فضا را برای یافتن مناطق امیدوارکننده اکتشاف می کند.

در مقایسه با شبکه های برقی، جریان پایین از مولفه جستجو سراسری یک توازی از دو مولفه  جایگزین وجود دارد. منظور دو الگوریتم با جستجوی محلی با ویژگی های مختلف از لحاظ منطق جستجو می باشد، که هدف آن پالایش جستجو در نواحی ای که توسط عنصر جریان بالا کشف شده است، می باشد. اولین جستجو محلی فضای در امتداد محورها را کشف می کند، در حالی که دومین الگوریتم حرکت موربی با شیب تخمینی را انجام می دهد.

الگوریتم ساختار ممتیکی موازی، علی رغم سادگی آن، کارائی قابل قبولی را در مقایسه با الگوریتم های فراابتکاری محبوب و الگوریتم های بهینه سازی مدرن که وضعیت state-of-the-art در این زمینه می باشند را نشان می دهد. با توجه به ساختار ساده این الگوریتم، الگوریتم خیلی انعطاف پذیر برای ویژگی های مسائل مختلف و مقادیر عددی می باشد. برخلاف الگوریتم مدرن که برای بعضی از مسائل Benchmark و بعضی از مقادیر عددی مشخص شده اند. الگوریتم ساختار ممتیکی موازی راه حل هایی با کیفیت بالا در زمینه های مختلف و متنوع ارائه می دهد. به عنوان مثال برای مسائل با ابعاد کم و مقیاس بزرگ کارائی دارد. یک مثال کاربردی در زمینه سنسورهای مغناطیسی عملکرد مناسب الگوریتم پیشنهادی را نشان می دهد. این مقاله تائید اعتباری را از Ockham’s Razor in MC دارد.