Publication: Implementación de un algoritmo genético paralelo sobre HW gráfico de última generación
Loading...
Official URL
Full text at PDC
Publication Date
2005
Advisors (or tutors)
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
Citations
Exportar
Abstract
Los algoritmos genéticos (AGs) son procedimientos de búsqueda y optimización
inspirados por la simplicidad y efectividad del proceso de la evolución natural de las
especies. Al igual que ocurre en la naturaleza, basan su éxito en la supervivencia de los
individuos más aptos de una población. En este caso, un individuo es una solución
potencial del problema, y se implementa como una estructura de datos. Los AGs
trabajan sobre poblaciones de soluciones que evolucionan mediante la aplicación de
operadores genéticos (selección, cruce y mutación) adecuados al problema específico
que intentan resolver. Uno de los rasgos esenciales de los AGs es su paralelismo
implícito puesto que, al igual que la evolución natural, trabajan con poblaciones enteras,
no con sus individuos integrantes en particular.
Los sistemas actuales cuentan con potentes tarjetas gráficas, frecuentemente
programables, que permanecen inactivas durante la ejecución de aplicaciones no
gráficas. Dichas tarjetas cuentan con un procesador de naturaleza paralela, que las hace
especialmente indicadas para la ejecución de AGs.
Este trabajo es una propuesta para aprovechar un recurso hardware habitualmente
inactivo para implementar, en un sistema monoprocesador, algún tipo de topología de
AGs paralelos. Obtenemos así mejoras -tanto en la calidad de las soluciones como en el
tiempo de ejecución- con respecto a la ejecución secuencial del AG sobre la CPU.
[ABSTRACT]
Genetic algorithms (GAs) are optimization techniques which imitate the way that nature
selects the best individuals (the best adaptation to the environment) to create
descendants which are more highly adapted. The first step is to generate a random initial
population, where each individual is represented by a character chain like a
chromosome and with the greatest diversity, so that this population has the widest range
of characteristics. Each individual represents a solution for the targeted problem. Then,
each individual is evaluated using a fitness function, which indicates the quality of each
individual. Finally, the best-adapted individuals are selected to generate a new
population, whose average will be nearer to the desired solution. This new population is
created making use of three operators: selection, crossover and mutation.One of the
major aspects of GA is their ability to be parallelised. Indeed, because natural evolution
deals with an entire population and not only with particular individuals, it is a
remarkably highly parallel process.
Nowadays computer systems incorporate powerful graphic cards that are commonly idle
during a normal execution process of most of the optimization algorithms. Modern
graphic cards use a pipelined streaming architecture to perform a significant part of the
rendering process. Two stages in the pipelined process are programmable in current
graphics hardware. The vertex engine is used to perform transformations on the vertex
attributes (normal, position, color, texture, ...). On the other hand, the fragment engine is
used to transform the fragments that form the different polygons. Both engines are
extremely parallel, processing several elements in parallel and making extensive use of
SIMD units.
In this work we have presented a parallel implementation of a GA using a GPU. We
have implemented not only three well know benchmarks problems with excellent
Speed-up results, but also a novel implementation of an algorithm for solving defectives
problems proposed in the literature.
Description
Trabajo de clase de la asignatura Sistemas Informáticos (Facultad de Informática, Curso 2004-2005)