ترجمه مقاله به سوی ارتقای کیفیت نرم افزار توسط مدیریت دانش مشتری – نشریه الزویر
مبلغ : 42800 تومان
سال انتشار : 2018
ترجمه مقاله حل مسائل بسیار عظیم بهینه سازی با یک الگوریتم تکاملی موازی در CPU و GPU – نشریه IEEE
قیمت خرید این کالا
31,800 تومان
| عنوان فارسی: | حل مسائل بسیار عظیم بهینه سازی (تا یک میلیارد متغیر) با یک الگوریتم تکاملی موازی در CPU و GPU |
| عنوان انگلیسی: | Solving very large optimization problems (up to one billion variables) with a parallel evolutionary algorithm in CPU and GPU |
| تعداد صفحات مقاله انگلیسی : 6 | تعداد صفحات ترجمه فارسی : 19 |
| سال انتشار : 2012 | نشریه : آی تریپل ای - IEEE |
| فرمت مقاله انگلیسی : PDF | فرمت ترجمه مقاله : ورد تایپ شده |
| کد محصول : 7332 | رفرنس : دارد |
| محتوای فایل : zip | حجم فایل : 2.57Mb |
| 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 |
| دانشگاه: مرکز کامپیوتر، مونته ویدئو، اروگوئه |
| کلمات کلیدی: الگوریتم های تکاملی موازی، GPU ،OneMax شلوغ، یک میلیارد متغیر |
| وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است |
| وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است |
| وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است |
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
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
نمونه متن انگلیسی
Abstract
This article presents the application of a parallel evolutionary algorithm implemented in both CPU and Graphic Processing Units (GPU), to solve large instances of the noisy OneMax problem with up to one billion variables. Actually, new GPU platforms provide the computing power needed to apply massively parallel strategies to solve large problems. We report here the experimental evaluation of both CPU and GPU implementations for a compact evolutionary algorithm. The proposed method demonstrates a high problem solving efficacy and shows a good scalability behavior when facing high dimension instances of the noisy OneMax problem, improving the computational efficiency and the results reported in previous similar approaches developed on CPU.
نمونه متن ترجمه
چکیده
این مقاله کاربرد یک الگوریتم تکاملی موازی پیاده شده در CPU و واحدهای پردازش گرافیکی (GPU) را برای حل موارد زیادی از مساله های OneMax شلوغ با بیش از یک میلیارد متغیر ارائه می کند. در واقع، سیستم عامل GPU جدید قدرت محاسباتی لازمه برای اعمال استراتژی های انبوه موازی را به منظور حل مسائل بزرگ تامین می نماید.ما در اینجا ارزیابی تجربی پیاده سازی CPU و GPU را برای یک الگوریتم تکاملی فشرده گزارش می نماییم. روش پیشنهادی اثربخشی بالای حل مساله را ثابت نموده و رفتار مقیاس پذیر مناسبی را به هنگام مواجهه با موارد با ابعاد بالای مساله OneMax شلوغ نشان می دهد که باعث بهبود بهره وری محاسباتی و نتایج گزارش شده در رویکردهای مشابه پیشین توسعه یافته در CPU می گردد.
