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 >