論文の概要: GPU Based Differential Evolution: New Insights and Comparative Study
- arxiv url: http://arxiv.org/abs/2405.16551v1
- Date: Sun, 26 May 2024 12:40:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-28 20:39:12.267293
- Title: GPU Based Differential Evolution: New Insights and Comparative Study
- Title(参考訳): GPUベースの微分進化:新しい洞察と比較研究
- Authors: Dylan Janssen, Wayne Pullan, Alan Wee-Chung Liew,
- Abstract要約: この研究は、GPUベースの微分進化アルゴリズムの文献における主要なアーキテクチャ選択についてレビューする。
新しいGPUベースの数値最適化ベンチマークを導入し、GPUベースのDEMアルゴリズムを評価し比較する。
- 参考スコア(独自算出の注目度): 7.5961910202572644
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Differential Evolution (DE) is a highly successful population based global optimisation algorithm, commonly used for solving numerical optimisation problems. However, as the complexity of the objective function increases, the wall-clock run-time of the algorithm suffers as many fitness function evaluations must take place to effectively explore the search space. Due to the inherently parallel nature of the DE algorithm, graphics processing units (GPU) have been used to effectively accelerate both the fitness evaluation and DE algorithm. This work reviews the main architectural choices made in the literature for GPU based DE algorithms and introduces a new GPU based numerical optimisation benchmark to evaluate and compare GPU based DE algorithms.
- Abstract(参考訳): 微分進化(DE)は、数値最適化問題の解法として一般的に用いられる、人口ベースで成功したグローバル最適化アルゴリズムである。
しかし、目的関数の複雑さが増大するにつれて、探索空間を効果的に探索するためには、多くの適合関数評価を行う必要があるため、アルゴリズムのウォールクロック実行時間に悩まされる。
DEアルゴリズムの本質的に並列性のため、グラフィクス処理ユニット(GPU)は適合性評価とDアルゴリズムの両方を効果的に高速化するために使われてきた。
この研究は、GPUベースのDreアルゴリズムの文献で得られた主なアーキテクチャ選択をレビューし、GPUベースのDreアルゴリズムを評価し比較するための新しいGPUベースの数値最適化ベンチマークを導入する。
関連論文リスト
- Implementation and Analysis of GPU Algorithms for Vecchia Approximation [0.8057006406834466]
Vecchia Approximationは計算複雑性を減らすために広く使われており、恥ずかしい並列アルゴリズムで計算することができる。
Vecchia Approximationのためにマルチコアソフトウェアが開発されたが、グラフィックス処理ユニット(GPU)上で動作するように設計されたソフトウェアは不足している。
我々の新しい手法は他の2つより優れており、GpGpU Rパッケージに表示されます。
論文 参考訳(メタデータ) (2024-07-03T01:24:44Z) - Performance Evaluation of Evolutionary Algorithms for Analog Integrated
Circuit Design Optimisation [0.0]
本稿では,アナログ回路の自動サイズ化手法について述べる。
探索空間を対象とする探索は粒子生成関数と補修バウンド関数を用いて実装されている。
アルゴリズムは、より良い最適解に収束するように調整され、修正される。
論文 参考訳(メタデータ) (2023-10-19T03:26:36Z) - Efficient Convex Algorithms for Universal Kernel Learning [50.877957471649395]
カーネルの理想的な集合: 線形パラメータ化(トラクタビリティ)を認める; すべてのカーネルの集合に密着する(正確性)。
従来のカーネル最適化アルゴリズムは分類に限られており、計算に複雑なセミデフィニティプログラミング(SDP)アルゴリズムに依存していた。
本稿では,従来のSDP手法と比較して計算量を大幅に削減するSVD-QCQPQPアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-04-15T04:57:37Z) - Improving the Efficiency of Gradient Descent Algorithms Applied to
Optimization Problems with Dynamical Constraints [3.3722008527102894]
通常の微分方程式を用いて最適化問題を解くための2つのブロック座標降下アルゴリズムを提案する。
このアルゴリズムは損失関数勾配を評価するために直接または随伴感度解析法を実装する必要はない。
論文 参考訳(メタデータ) (2022-08-26T18:26:50Z) - Implementation of Parallel Simplified Swarm Optimization in CUDA [2.322689362836168]
最適化コンピューティングでは、インテリジェントなSwarmアルゴリズム(SIAs)が並列化に適している。
本稿では,計算能力と汎用性を考慮したGPUに基づくSimplified Swarm Algorithm Optimization (PSSO)を提案する。
結果から,Nの次数による時間複雑性の低減が達成され,資源プリエンプションの問題は完全に回避された。
論文 参考訳(メタデータ) (2021-10-01T00:15:45Z) - An Accelerated Variance-Reduced Conditional Gradient Sliding Algorithm
for First-order and Zeroth-order Optimization [111.24899593052851]
条件勾配アルゴリズム(Frank-Wolfeアルゴリズムとも呼ばれる)は、最近、機械学習コミュニティで人気を取り戻している。
ARCSは、ゼロ階最適化において凸問題を解く最初のゼロ階条件勾配スライディング型アルゴリズムである。
1次最適化では、ARCSの収束結果は、勾配クエリのオラクルの数で、従来のアルゴリズムよりも大幅に優れていた。
論文 参考訳(メタデータ) (2021-09-18T07:08:11Z) - Provably Faster Algorithms for Bilevel Optimization [54.83583213812667]
バイレベル最適化は多くの重要な機械学習アプリケーションに広く適用されている。
両レベル最適化のための2つの新しいアルゴリズムを提案する。
両アルゴリズムが$mathcalO(epsilon-1.5)$の複雑さを達成し,既存のアルゴリズムを桁違いに上回っていることを示す。
論文 参考訳(メタデータ) (2021-06-08T21:05:30Z) - Evolving Reinforcement Learning Algorithms [186.62294652057062]
メタラーニング強化学習アルゴリズムの手法を提案する。
学習アルゴリズムはドメインに依存しないため、トレーニング中に見えない新しい環境に一般化することができる。
従来の制御タスク、gridworld型タスク、atariゲームよりも優れた一般化性能を得る2つの学習アルゴリズムに注目した。
論文 参考訳(メタデータ) (2021-01-08T18:55:07Z) - Kernel methods through the roof: handling billions of points efficiently [94.31450736250918]
カーネル法は、非パラメトリック学習に対するエレガントで原則化されたアプローチを提供するが、今のところ大規模な問題ではほとんど利用できない。
最近の進歩は、最適化、数値線形代数、ランダム射影など、多くのアルゴリズム的アイデアの利点を示している。
ここでは、これらの取り組みをさらに進めて、GPUハードウェアを最大限に活用する解決器を開発し、テストする。
論文 参考訳(メタデータ) (2020-06-18T08:16:25Z) - MPLP++: Fast, Parallel Dual Block-Coordinate Ascent for Dense Graphical
Models [96.1052289276254]
この研究は、人気のあるDual Block-Coordinate Ascent原則に基づく新しいMAP-solverを導入している。
驚いたことに、性能の低い解法に小さな変更を加えることで、既存の解法を大きなマージンで大幅に上回る新しい解法MPLP++を導出します。
論文 参考訳(メタデータ) (2020-04-16T16:20:53Z) - A survey on dragonfly algorithm and its applications in engineering [29.190512851078218]
トンボのアルゴリズムは2016年に開発され、研究者が様々な分野の幅広い用途と応用を最適化するために用いたアルゴリズムの1つである。
この研究は、実世界の最適化問題を解決するための手法の頑健さと、複雑な最適化問題を改善するためのその欠如に対処した。
論文 参考訳(メタデータ) (2020-02-19T20:23:26Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。