-ارائه‌ی یک روش جدید برای افزایش هوشمندی و سرعت الگوریتم کرم شب‌تاب

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناس ارشد مهندسی کامپیوتر، دانشکده فنی مهندسی، دانشگاه آزاد، لرستان، ایران

2 دانشجوی دکتری مدیریت فناوری اطلاعات، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران

چکیده

امروزه اغلب مسائل مهم در صنعت از نوع مسائل بهینه‌سازی غیرخطی و چندپارامتری محسوب می‌‌شوند. از طرفی، جذابیت رفتار و تعامل جانوران در طبیعت باعث شده است تا دانشمندان علوم رایانه با الهام از این تعاملات، الگوریتم‌هایی برای مسائل بهینه‌‌سازی ایجاد نمایند که در خیلی از موارد راه‌‌حل‌‌های سریع و قابل قبولی برای مسائل پیچیده به همراه دارند. یکی از الگوریتم‌های هوش ازدحامی، الگوریتم کرم شب‌تاب است که بر اساس نوردهی کرم‌‌های شب‌تاب و جذب آن‌ها به سمت نور بیشتر شکل‌گرفته است. ایراد اصلی الگوریتم‌‌هایی مانند کرم شب‌‌‌‌تاب این است که برای همگرا شدن به جواب‌های موردنظر، نیاز به زمان زیاد دارد. بنابراین، در صورتی ‌که تعداد کرم‌‌های شب‌تاب بیش از 128 باشد، زمان اجرای آن‌‌ها با استفاده از سی پی یو 2.5820 میلی‌‌ثانیه اما با استفاده از جی پی یو 5090/1 میلی‌‌ثانیه است. در این مقاله قصد داریم با استفاده از امکانات واحد پردازش کارت گرافیک، نسخه‌‌ای از الگوریتم کرم شب‌‌تاب را ارائه دهیم که همگام با حفظ دقت، با سرعت بیشتری به جواب‌‌های موردنظر همگرا شود.

کلیدواژه‌ها

موضوعات

مراجع

  1. A.Shukla, R. a. (2010). Swarm Intelligence. in Towards Hybrid and Adaptive Computing, 187-207. DOI:10.1007/978-3-642-14344-1

    A.V Husselmann, a. K. (2012). Parallel Parametric Optimisation with Firefly Algorithms on . Graphical Processing Units, 1-7. Doi: 10.3390/app9010007

    j.d.Owens, M. H. (2008). GPU Computing. Proceedings of the IEEE, 879-899. DOI:10.1109/GreenCom-CPSCom.2010.143

    j.Kennedy, R. E. (1995). Particle swarm optimization. in Neural Networks, Perth, 1942-1948. DOI:10.1007/s12046-014-0244-7

    G.Agarwal, S. (2013). Evaluation performance study of Firefly algorithm, particle swarm optimization and artificial bee colony algorithm for non-linear mathematical optimization functions. 1-8. DOI:10.1109/ICCCNT.2013.6726474

    G.Zhua, S. (2010). Gbest-guided artificial bee colony algorithm for numerical function optimization. pp. 3166-3173. doi:10.1016/j.amc.2010.08.049

    M.Imran, R. H. (2013). An Overview of Particle Swarm Optimization Variants. Procedia Engineering, 491-496. DOI:10.1016/j.proeng.2013.02.063

    p.Pospichal, j. J. (2010). Parallel Genetic Algorithm on the CUDA Architecture. Applications of Evolutionary Computation, 442-451. DOI:10.1007/978-3-642-12239-2_46

    1. Poli, J. K. (2007). Particle swarm optimization. Swarm Intelligence, 33-57. DOI:10.1007/s11721-007-0002-0

    S.X.Wu, a. W. (2010). The use of computational intelligence in intrusion etection systems A review. 1-35. DOI:10.1016/j.jnca.2012.08.007

    S-C. Chu, H.-C. H.-S. (2011). Overview of Algorithms for Swarm Intelligence,". in Computational Collective Intelligence, 28-41. DOI:10.1007/978-3-642-23935-9_3

    x.s.yang, x. H. (2013). Firefly algorithm: recent advances and applications. International Journal of Swarm Intelligence. pp. 35-50. DOI:10.1007/978-981-15-0306-1_1

    x.Yang. (2010). Engineering optimization: an introduction with metaheuristic applications. John Wiley & Sons. DOI:10.1002/9780470640425

     X.S.Yang. (2010). A new metaheuristic bat-inspired algorithm. In Nature inspired cooperative strategies for optimization. 65-74. DOI:10.1007/978-3-642-12538-6_6

    X.Yang. (2013). Bat Algorithm: Literature Review and Applications. 141–149. DOI:10.1504/IJBIC.2013.055093

    Z.Yao, a. J. (2011). A quantitative performance analysis model for GPU architectures. In High Performance Computer Architecture (HPCA), 382-393. DOI:10.1109/HPCA.2011.5749745

ارسال نظر در مورد این مقاله
CAPTCHA Image

فایل ها

هم رسانی

ارجاع به این مقاله

آمار