Akcelerace genetických algoritmů na grafických kartách 3. část Mikuláš Dítě Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
Genetické algoritmy náhodná 0. generace šlechtění další generace kombinací předchozí – křížení, mutace, reprodukce vozík se snaží udržet tyč ve svislé poloze
A co procesor? přenesení dat do paměti GPU CPUGPU
Porovnání časů CPU a GPU předpoklad
Porovnání časů CPU a GPU
Počet výpočtů celkem 50 testů pro různé velikosti generací (od 400 do ) každý test se počítal z 200 vzorků vzorky měli průměrně jedinců = 100 milionů jedinců = s časovým limitem řádově 4000 fitness na jedince = výpočtů fitness = 400 miliard
Profilování čas zápisu na paměť GPU: 0.873ms výpočet: 0.140ms – 1. řádově víc ( 16ms ) čas čtení výsledků z paměti GPU: 0.250ms
Pokrok projektu implementace na GPU v CUDA vytvořeno testovací prostředí částečně naměřeno snížit čas zápisu do paměti GPU zvětšit diverzitu (vzdálenost) jedinců a dále vylepšovat genetický algoritmus
Zdroje [1] BROWNLEE, J. The pole balancing problem. [online]. [cit ]. Dostupné z pdf [2] Genetic algorithm. [online]. [cit ]. Dostupné z [3] NP-hard. [online]. [cit ]. Dostupné z [4] KOZOLA, S. Improving Optimization Performance with Parallel Computing. [online]. [cit ]. Dostupné z allel-optimization.html
Odkazy Ing. Miroslav Čepek (Katedra počítačů FEL ČVUT) Ing. Vladimír Pospíšil (Cesta k vědě) Poděkování