گروه آموزشی ترجمه فا اقدام به ارائه ترجمه مقاله با موضوع ” الگوریتم تکاملی موازی در CPU و GPU جهت حل مسائل بهینه سازی ” در قالب فایل ورد نموده است که شما عزیزان میتوانید پس از دانلود رایگان مقاله انگلیسی و نیز مطالعه نمونه ترجمه و سایر مشخصات، ترجمه را خریداری نمایید.
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
حل مسائل بسیار عظیم بهینه سازی (تا یک میلیارد متغیر) با یک الگوریتم تکاملی موازی در CPU و GPU |
| عنوان انگلیسی مقاله: |
Solving very large optimization problems (up to one billion variables) with a parallel evolutionary algorithm in CPU and GPU |
|
|
| مشخصات مقاله انگلیسی (PDF) | |
| سال انتشار | 2012 |
| تعداد صفحات مقاله انگلیسی | 6 صفحه با فرمت pdf |
| رشته های مرتبط با این مقاله | مهندسی کامپیوتر |
| گرایش های مرتبط با این مقاله | مهندسی نرم افزار، رایانش ابری و معماری سیستم های کامپیوتری |
| مجله |
هفتمین کنفرانس بین المللی محاسبات P2P، موازی، ابری و اینترنت – Parallel, Grid, Cloud and Internet Computing Seventh International Conference |
| دانشگاه | مرکز کامپیوتر، مونته ویدئو، اروگوئه |
| کلمات کلیدی | الگوریتم های تکاملی موازی، GPU ،OneMax شلوغ، یک میلیارد متغیر |
| رفرنس | دارد |
| لینک مقاله در سایت مرجع | لینک این مقاله در سایت IEEE |
| نشریه | IEEE |
| مشخصات و وضعیت ترجمه فارسی این مقاله (Word) | |
| تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش و فونت 14 B Nazanin | 19 صفحه |
| ترجمه عناوین تصاویر و جداول | ترجمه شده است |
| ترجمه متون داخل تصاویر | ترجمه نشده است |
| ترجمه متون داخل جداول | ترجمه نشده است |
| درج تصاویر در فایل ترجمه | درج شده است |
| درج جداول در فایل ترجمه | درج شده است |
| درج فرمولها و محاسبات در فایل ترجمه به صورت عکس | درج شده است |
- فهرست مطالب:
چکیده
مقدمه
OneMax و مسائل OneMax شلوغ
محاسبات تکاملی
سیستم عامل های چند هسته ای جدید
تجزیه و تحلیل تجربی
نتیجه گیری و کارهای آتی
- بخشی از ترجمه:
VII. نتیجه گیری و کارهای آتی
این مقاله EA موازی به کار رفته برای حل نمونه های عظیم مسائل OneMax و OneMax شلوغ را ارائه داده است. این الگوریتم تکاملی با استفاده از قدرت محاسباتی موجود در زیرساخت های چند هسته ای جدید (CPU و GPU) به شکلی کارآمدی باعث افزایش قدرت حل نمونه مسائل دارای چند میلیون و حتی بیش از یک میلیارد متغیر شده بود. سه نسخه EA موازی پیشنهادی پیاده سازی شدند: cGA همزمان در CPU و GPU و یک نسخه غیر همزمان درGPU (تنها مفید برای مسائل بهینه سازی مجزا).
تجزیه و تحلیل تجربی نشان داد که پیاده سازی های GPU cGA به بهترین نتایج و مقادیر بهره وری هنگام حل مسائل با بیش از 8 میلیون متغیر منتج می گردد. این حقیقت موید آن است که زیر ساخت های جدید GPU چند هسته ای سیستم عامل امیدبخشی برای پیاده سازی EA های کارآمد جهت حل مسائل بهینه سازی بسیار بزرگ ارائه می کنند.
- بخشی از مقاله انگلیسی:
VII. CONCLUSIONS AND FUTURE WORK
This article presented a parallel EA applied to solve large instances of the OneMax and Noisy OneMax problems. The EA was conceived to efficiently scale up to solve problem instances with several millions and even more than one billion variables, by using the computing power available in new multicore infrastructures (CPU and GPU). Three versions of the proposed parallel EA were implemented: synchronous cGA in CPU and GPU, and an asynchronous version in GPU (only useful for separable optimization problems). The experimental analysis showed that the GPU cGA implementations achieved the best results and efficiency values when solving problems with more than 8 million variables. This fact indicates that the new multicore GPU infrastructures provide a promising platform for implementing efficient EAs to solve very large optimization problems.
|
تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد |
|
|
| دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
|
|
| عنوان فارسی مقاله: |
الگوریتم تکاملی موازی در CPU و GPU جهت حل مسائل بهینه سازی (تا یک میلیارد متغیر) |
| عنوان انگلیسی مقاله: |
Solving very large optimization problems (up to one billion variables) with a parallel evolutionary algorithm in CPU and GPU |
|
|