Návrh a optimalizace filtru OTA-C s využitím evolučních algoritmů
Akcelerace genetických algoritmů na grafických kartách
description
Transcript of Akcelerace genetických algoritmů na grafických kartách
Akcelerace genetických algoritmů na grafických kartách
5. část
Mikuláš Dítě
Evropský sociální fond Praha & EU: Investujeme
do vaší budoucnosti
Připomenutí problému
• udržování tyče na vozíku• pěstování konstant• zdlouhavý výpočet fitness funkce
Paměťová náročnost
přenesení dat do paměti GPU
CPU CPU + GPU
Další optimalizacepouze GPU
startstart
zápis na GPUzápis na GPU
čtení z GPUčtení z GPU
každá generace
každá generace
paralelní výpočetparalelní výpočet vlastníimplementacerand()
a další výpočty
vlastníimplementacerand()
a další výpočty
Porovnání CPU, GPU+CPU a GPU
Porovnání
OpenCL vs CUDA
• programování pro grafickou kartu• OpenCL je (víc) multiplatformní
– 1.1 vyšla ještě 2010
• CUDA vytvořila Nvidia– 4.0 stable (květen 2011)
CUDA
• maximální rozměr textury
65 536 x 65 535
Odkazy
• Ing. Miroslav Čepek (Katedra počítačů FEL ČVUT)• Ing. Vladimír Pospíšil (Cesta k vědě)
Poděkování
• https://github.com/Mikulas/PoleBalanceGPU
Zdroje• [1] BROWNLEE, J. The pole balancing problem. [online]. [cit. 8. 1. 2011].
Dostupné z <http://www.ict.swin.edu.au/personal/jbrownlee/2005/TR07-2005.pdf>
• [2] Genetic algorithm. [online]. [cit. 8. 1. 2011]. Dostupné z <http://en.wikipedia.org/wiki/Genetic_algorithm>
• [3] NP-hard. [online]. [cit. 8. 1. 2011]. Dostupné z <http://en.wikipedia.org/wiki/Np-hard>
• [4] KOZOLA, S. Improving Optimization Performance with Parallel Computing. [online]. [cit. 8. 1. 2011]. Dostupné z <http://www.mathworks.com/company/newsletters/digest/2009/mar/parallel-optimization.html >