并行GA_ANN预测模型研究

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (22): 216-219.

并行GA_ANN预测模型研究

赵宏1，2，张洁1，2，侯鲁健3，王恺1，2，白志鹏2，4

1.南开大学信息技术科学学院，天津 300071
2.国家环境保护城市空气颗粒物污染防治重点试验室，天津 300071
3.济南市环境保护科学研究所，济南 250014
4.南开大学环境科学与工程学院，天津 300071

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-08-01 发布日期:2011-08-01

Parallel GA_ANN predicting model research

ZHAO Hong1，2，ZHANG Jie1，2，HOU Lujian3，WANG Kai1，2，BAI Zhipeng2，4

1.College of Information Technical Science，Nankai University，Tianjin 300071，China
2.State Environmental Protection Key Laboratory of Urban Ambient Air Particulate Matter Pollution Prevention and Control，Tianjin 300071，China
3.Environmental Science Institute of Jinan，Jinan 250014，China
4.College of Environmental Science and Engineering，Nankai University，Tianjin 300071，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-08-01 Published:2011-08-01

摘要/Abstract

摘要： 遗传算法GA与人工神经网络ANN相结合的GA_ANN预测模型，在解决大规模问题时，训练模型产生的巨大计算量会导致相当耗时。利用gprof工具剖析出GA_ANN模型的瓶颈所在，并基于OpenMP多线程技术设计出一种并行方案。实验结果表明随着种群规模、繁殖代数以及ANN训练次数的增加，粗粒度的策略结合一定数量的线程能够获得理想的加速比。

关键词: 遗传算法_人工神经网络（GA_ANN）, 预测模型, OpenMP, gprof

Abstract: In solving large scale problems，the GA_ANN model which combined the genetic algorithm and artificial neural network would be very time-consuming on the training stage.The bottleneck of GA_ANN model is analyzed by using gprof，and a parallel scheme is designed based on OpenMP multi-threading technology.The experiment results indicate that coarse-grained threading parallelization strategy can get an ideal speedup as the increasing of the population size，number of breeding generation and ANN training.

Key words: Genetic Algorithm_Artifical Neural Network（GA_ANN）, predicting model, OpenMP, gprof

赵宏1，2，张洁1，2，侯鲁健3，王恺1，2，白志鹏2，4. 并行GA_ANN预测模型研究[J]. 计算机工程与应用, 2011, 47(22): 216-219.

ZHAO Hong1，2，ZHANG Jie1，2，HOU Lujian3，WANG Kai1，2，BAI Zhipeng2，4. Parallel GA_ANN predicting model research[J]. Computer Engineering and Applications, 2011, 47(22): 216-219.

[1]	吴明慧，侯凌燕，王超. 面向预测的长短时神经网络记忆增强机制[J]. 计算机工程与应用, 2021, 57(21): 109-115.
[2]	张文婧，陈治亚，冯芬玲，李万. 基于稀疏理论的DAE在公路事故伤亡预测应用[J]. 计算机工程与应用, 2019, 55(7): 241-247.
[3]	刘欢，房胜，李哲，赵晴. 基于多条带HEVC并行编码器的负载均衡算法[J]. 计算机工程与应用, 2019, 55(18): 180-188.
[4]	陈亚中1，李振军1，李荣华1，毛睿1，乔少杰2. TSCAN：利用并行策略改进的图结构聚类算法[J]. 计算机工程与应用, 2019, 55(1): 76-83.
[5]	王旭强，陈艳龙，杨青，刘红昌. 基于时序分解的用电负荷分析与预测[J]. 计算机工程与应用, 2018, 54(20): 230-236.
[6]	王仁群，彭力. 数据中心网络拓扑感知型能耗优化算法[J]. 计算机工程与应用, 2017, 53(17): 117-122.
[7]	张军，王远强，朱新山. 改进PSO优化神经网络的短时交通流预测[J]. 计算机工程与应用, 2017, 53(14): 227-231.
[8]	李葵，范玉刚，吴建德. 基于MRSVD和VPMCD的轴承故障智能诊断方法研究[J]. 计算机工程与应用, 2016, 52(8): 153-157.
[9]	刘　　洋，杨金民. OpenMP程序中基于活跃变量分析的检查点优化[J]. 计算机工程与应用, 2016, 52(4): 31-41.
[10]	张红1，2，王晓明1，曹洁2，马彦宏3，郭义戎1，王慜1. Hadoop云平台MapReduce模型优化研究[J]. 计算机工程与应用, 2016, 52(22): 22-25.
[11]	钱伟，杨慧慧，孙玉娟. 相空间重构的卡尔曼滤波交通流预测研究[J]. 计算机工程与应用, 2016, 52(14): 37-41.
[12]	李艳平，麻敏洁，鲁来凤. 基于多模型拟合的西安市生活垃圾量预测[J]. 计算机工程与应用, 2015, 51(6): 222-226.
[13]	王子佳1，2，范玉刚1，2，吴建德1，2. S能量谱特征提取在轴承故障诊断中的应用[J]. 计算机工程与应用, 2015, 51(18): 261-265.
[14]	张森，石为人，石欣，郭宝丽. 基于偏最小二乘回归和SVM的水质预测[J]. 计算机工程与应用, 2015, 51(15): 249-254.
[15]	杨宇，欧阳洪，潘海洋，程军圣. 基于岭回归的RVPMCD滚动轴承故障诊断方法[J]. 计算机工程与应用, 2015, 51(12): 255-259.