CUDA平台下信息熵多种群遗传算法设计

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (1): 12-16.

CUDA平台下信息熵多种群遗传算法设计

李正夫1，2，王希诚3，李克秋1，姚翔3，董悦丽2

1.大连理工大学计算机科学与技术学院，辽宁大连 116024
2.大连东软信息学院计算机科学与技术系，辽宁大连 116023
3.大连理工大学工业装备结构分析国家重点实验室，辽宁大连 116024

出版日期:2016-01-01 发布日期:2015-12-30

Information entropy multi-population genetic algorithm based on CUDA

LI Zhengfu1，2, WANG Xicheng3, LI Keqiu1, YAO Xiang3, DONG Yueli2

1.School of Computer Science and Technology, Dalian University of Technology, Dalian, Liaoning 116024, China
2.Department of Computer Science and Technology, Dalian Neusoft University of Information, Dalian, Liaoning 116023, China
3.State Key Laboratory of Structural Analyses for Industrial Equipment, Dalian University of Technology, Dalian, Liaoning 116024, China

Online:2016-01-01 Published:2015-12-30

摘要/Abstract

摘要： 为了进一步提高信息熵多种群遗传算法的计算效率，缩短计算时间，提出了一种基于CUDA平台的信息熵多种群遗传算法。通过分析原算法的并行因素，结合CUDA开发平台，对原算法进行适合GPU加速的并行化处理，实现了遗传算子、惩罚函数和空间收缩因子等的并行计算，有效地提高了算法效率。例题数值测试表明，在保持了快速收敛特性和计算精度的前提下，CUDA并行算法相对于原算法具有很高的加速效率。

null

关键词: 统一计算设备架构（CUDA）, 并行计算, 遗传算法, 信息熵, 多种群

Abstract: In order to improve the computational efficiency of information entropy multi-population genetic algorithm, and reduce the computing time, an information entropy multi-population genetic algorithm based on CUDA is proposed. By analyzing the parallelism factors of original algorithm, considering the CUDA platform, parallel processing is made on the original algorithm to suit for GPU-accelerated. Genetic operators, penalty function, and space contraction factors are also modified for CUDA parallelism. All these work improve the efficiency of the original algorithm. Under the premise of keeping the fast convergence and accuracy, example numerical tests show that CUDA parallel algorithms has a high acceleration efficiency.

Key words: Compute Unified Device Architecture（CUDA）, parallel algorithm, genetic algorithm, information entropy, multi-population

李正夫1，2，王希诚3，李克秋1，姚翔3，董悦丽2. CUDA平台下信息熵多种群遗传算法设计[J]. 计算机工程与应用, 2016, 52(1): 12-16.

LI Zhengfu1，2, WANG Xicheng3, LI Keqiu1, YAO Xiang3, DONG Yueli2. Information entropy multi-population genetic algorithm based on CUDA[J]. Computer Engineering and Applications, 2016, 52(1): 12-16.

[1]	王鹏，叶学义，王涛，钱丁炜. 双偏差双空间局部方向模式的人脸识别[J]. 计算机工程与应用, 2021, 57(4): 91-99.
[2]	李昱奇，刘志乾，程凝怡，王莹莹，朱春丽. 多约束条件下无人机航迹规划[J]. 计算机工程与应用, 2021, 57(4): 225-230.
[3]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[4]	李倩，蒋丽，梁昌勇. 基于模糊时间窗的多目标冷链配送优化[J]. 计算机工程与应用, 2021, 57(23): 255-262.
[5]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[6]	曹立佳，刘洋. 制造车间自动导引车调度新进展[J]. 计算机工程与应用, 2021, 57(21): 59-67.
[7]	江魁，丘远东，郑浩城. 基于信息熵与LSTM的ICMPv6 DDoS攻击检测方法[J]. 计算机工程与应用, 2021, 57(21): 148-154.
[8]	陈倩茹，李雅丽，许科全，刘铱龙，王淑琴. 自调优自适应遗传算法的WKNN特征选择方法[J]. 计算机工程与应用, 2021, 57(20): 164-171.
[9]	石宇强，田永政，张雨琦，石小秋. 运用含复杂网络结构的多种群遗传算法求解FJSP[J]. 计算机工程与应用, 2021, 57(2): 257-266.
[10]	代江涛，韩晓龙. 考虑作业状态能耗的集装箱码头设备协调调度[J]. 计算机工程与应用, 2021, 57(19): 290-298.
[11]	宋世杰，陈开颜，张阳. 信息熵角度下的深度学习旁路安全评估框架[J]. 计算机工程与应用, 2021, 57(17): 138-146.
[12]	冯凯，李婧. k元n方体网络的子网络可靠性[J]. 计算机工程与应用, 2021, 57(16): 83-89.
[13]	姜良重，雷航，李贞昊，钱伟中，施甘图. 采用自适应优化权重的出库货位优化方法研究[J]. 计算机工程与应用, 2021, 57(15): 271-278.
[14]	贺娇，谭代伦. 基于视野范围和遗传算法的三维地形路径规划[J]. 计算机工程与应用, 2021, 57(15): 279-285.
[15]	冯晓东，黄世荣，戴冠鸥，杨伟家，罗尧治. 天牛须遗传杂交算法的研究与应用[J]. 计算机工程与应用, 2021, 57(15): 90-100.