مقاله بررسی الگوریتم های ژنتیک و تحلیل انواع پیاده سازی آن بر روی واحد پردازش گرافیکی(GPU) بر اساس معماری CUDA در word

توضیحات

 مقاله بررسی الگوریتم های ژنتیک و تحلیل انواع پیاده سازی آن بر روی واحد پردازش گرافیکی(GPU) بر اساس معماری CUDA در word دارای 12 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله بررسی الگوریتم های ژنتیک و تحلیل انواع پیاده سازی آن بر روی واحد پردازش گرافیکی(GPU) بر اساس معماری CUDA در word  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله بررسی الگوریتم های ژنتیک و تحلیل انواع پیاده سازی آن بر روی واحد پردازش گرافیکی(GPU) بر اساس معماری CUDA در word،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله بررسی الگوریتم های ژنتیک و تحلیل انواع پیاده سازی آن بر روی واحد پردازش گرافیکی(GPU) بر اساس معماری CUDA در word :

تعداد صفحات:12
چکیده:
الگوریتم ژنتیک ، الگوریتمی مبتنی بر تکرار است و اصول اولیه آن از علم ژنتیک اقتباس گردیده است و با تقلید از تعدادی از فرایند های مشاهده شده در تکامل طبیعی اختراع شده است و به طور موثری از معرفت قدیمی موجود در یک جمعیت استفاده می کند، تا راه حل های جدید و بهبود یافته را ایجاد کند. تکنیک جستجویی در علم رایانه برای یافتن راه حل تقریبی برای بهینه سازی و مسائل جستجو است. الگوریتم ژنتیک نوع خاصی از الگوریتم های تکامل است که از تکنیک های زیست شناسی فرگشتی مانند وراثت و جهش استفاده می کند. این الگوریتم در مسائل متنوعی نظیر بهینه سازی، شناسایی و کنترل سیستم، پردازش تصویر و مسایل ترکیبی و آموزش شبکه های عصبی مصنوعی و سیستم های مبتنی بر تصمیم و قاعده به کار می رود. پردازش موازی با استفاده از واحدهای پردازش گرافیک (GPU) در سال های اخیر توجه بسیاری را به خود جلب کرده است. محاسبه ی موازی میتواند از نظر فرایندهای موجودیت ها در جمعیت بر روی الگوریتم های ژنتیک (GA) اعمال شود . این مقاله پیاده سازی GA ها را در محیط معماری CUDA شرح میدهد CUDA یک محیط محاسبه ی همه منظوره برای GPU ها است. خصوصیت عمده ی این پژوهش این است که یک GA حالت دائمی مبتنی بر اجرای همروند هسته بر روی GPU پیاده سازی شده است و نتیجه می شود که روش پیاد سازی پیشنهادی 3 تا 6 برابر سریعتر از پیاده سازی مشابه روی CPU است.

برای دریافت اینجا کلیک کنید