ارائه یک الگوریتم موازی بهینه‌سازی غذایابی باکتری پیاده‌سازی شده در واحد پردازش گرافیکی
محورهای موضوعی : electrical and computer engineeringعلی رفیعی 1 , سیدمرتضی موسوی 2
1 - دانشگاه آزاد اسلامی واحد اراک
2 - دانشگاه آزاد اسلامی واحد اراک
کلید واژه: الگوریتم مبتنی بر جمعیت الگوریتم موازی غذایابی باکتری کودا واحد پردازش گرافیکی,
چکیده مقاله :
الگوریتم غذایابی باکتری یکی از الگوریتم‌های بهینه‌سازی مبتنی بر جمعیت است که برای حل مسایل جستجو در شاخه‌های مختلف علوم استفاده می‌شود. یکی از مواردی که امروزه مورد توجه قرار گرفته است قابلیت اجرای موازی الگوریتم‌های بهینه‌سازی مبتنی بر جمعیت در پردازنده‌های گرافیکی است. با توجه به سرعت پایین الگوریتم بهینه‌سازی غذایابی باکتری در مواجهه با مسایل پیچیده و همچنین عدم توانایی حل مسایل با ابعاد بزرگ توسط این الگوریتم، اجرای آن بر روی پردازنده‌های گرافیکی یک راه حل مناسب برای پوشش نقاط ضعف این الگوریتم می‌باشد. در این نوشته ما یک نسخه موازی از الگوریتم بهینه‌سازی غذایابی باکتری ارائه دادیم که قابلیت اجرا در پردازنده‌های گرافیکی و با استفاده از طراحی کودا را دارد. همچنین کارایی این الگوریتم را با استفاده از تعدادی از مسایل شناخته‌شده بهینه‌سازی در مقایسه با الگوریتم استاندارد بهینه‌سازی غذایابی باکتری مورد ارزیابی قرار دادیم. نتایج نشان می‌دهد که الگوریتم موازی غذایابی باکتری نسبت به الگوریتم استاندارد غذایابی باکتری دارای سرعت و کارایی بالاتری می‌باشد.
Bacterial foraging algorithm is one of the population-based optimization algorithms that used for solving many search problems in various branches of sciences. One of the issues discussed today is parallel implementation of population-based optimization algorithms on Graphic Processor Units. Due to the low speed of bacterial foraging algorithm in the face of complex problem and also lack the ability to solve large-scale problems by this algorithm, Implementation on the graphics processor is a suitable solution to cover the weaknesses of this algorithm. In this paper, we proposed a parallel version of bacterial foraging algorithm which designed by CUDA and has ability to run on GPUs. The performance of this algorithm is evaluated by using a number of famous optimization problems in comparison with the standard bacterial foraging optimization algorithm. The results show that Parallel Algorithm is faster and more efficient than standard bacterial foraging optimization algorithm.