-ارائه‌ی یک روش جدید برای افزایش هوشمندی و سرعت الگوریتم کرم شبتاب | ||
| مدیریت مهندسی و رایانش نرم | ||
| مقاله 1، دوره 8، شماره 1 - شماره پیاپی 14، فروردین 1401، صفحه 1-20 اصل مقاله (1.03 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22091/jemsc.2018.753.1033 | ||
| نویسندگان | ||
| فریبا سلیمانی1؛ نرگس صالح پور* 1؛ محمد نظری فرخی2 | ||
| 1کارشناس ارشد مهندسی کامپیوتر، دانشکده فنی مهندسی، دانشگاه آزاد، لرستان، ایران | ||
| 2دانشجوی دکتری مدیریت فناوری اطلاعات، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران | ||
| چکیده | ||
| امروزه اغلب مسائل مهم در صنعت از نوع مسائل بهینهسازی غیرخطی و چندپارامتری محسوب می‌‌شوند. از طرفی، جذابیت رفتار و تعامل جانوران در طبیعت باعث شده است تا دانشمندان علوم رایانه با الهام از این تعاملات، الگوریتمهایی برای مسائل بهینهسازی ایجاد نمایند که در خیلی از موارد راه‌‌حل‌‌های سریع و قابل قبولی برای مسائل پیچیده به همراه دارند. یکی از الگوریتم‌های هوش ازدحامی، الگوریتم کرم شبتاب است که بر اساس نوردهی کرم‌‌های شبتاب و جذب آنها به سمت نور بیشتر شکل‌گرفته است. ایراد اصلی الگوریتمهایی مانند کرم شبتاب این است که برای همگرا شدن به جوابهای موردنظر، نیاز به زمان زیاد دارد. بنابراین، در صورتی که تعداد کرم‌‌های شبتاب بیش از 128 باشد، زمان اجرای آنها با استفاده از سی پی یو 2.5820 میلی‌‌ثانیه اما با استفاده از جی پی یو 5090/1 میلی‌‌ثانیه است. در این مقاله قصد داریم با استفاده از امکانات واحد پردازش کارت گرافیک، نسخه‌‌ای از الگوریتم کرم شبتاب را ارائه دهیم که همگام با حفظ دقت، با سرعت بیشتری به جوابهای موردنظر همگرا شود. | ||
| کلیدواژه‌ها | ||
| ازدحام ذرات؛ برنامه نویسی موازی؛ کرم شبتاب؛ واحد پردازش کارت گرافیک؛ هوش ازدحامی | ||
| عنوان مقاله [English] | ||
| Present a new method for increasing the intelligence and speed of the Firefly algorithm | ||
| نویسندگان [English] | ||
| Fariba Solaymani1؛ Narges Salehpour1؛ Mohammad Nazari Farokhi2 | ||
| 1MSc in Computer Engineering, Faculty of Engineering, Azad University, Lorestan, Iran | ||
| 2Ph.D Student. in Information Technology Management, Islamic Azad University, Science and Research Branch of Tehran, Tehran, Iran | ||
| چکیده [English] | ||
| Today, Most important issues in the industry of non-linear and multi-parametric are considered optimization problems. On the other hand, the attractiveness of the behavior and interaction of animals has led the computer scientists, inspired by these interactions to create algorithms for optimization problems, which in many cases provide quick and acceptable solutions to complex problems. One of the propagation intelligence algorithms is firefly algorithm, which is bace on the exposure of luminous worms and their absorption into more light. The main problem with algorithms Such as firefly is that takes a lot of time to convege the desired answers. So if the number of firefly worms is more than 128, their run time with CPU is 2.5820 milliseconds but with using GPU 1.5090 milliseconds. In this paper, we intend to use a pc graphics unit to provide a version of the firefly algorithm that converages to the desired solutions more quickly while maintaining accuracy. | ||
| کلیدواژه‌ها [English] | ||
| CPU, FireFly, GPU, optimization, Particle Swarm, Swarm Intelligenc | ||
| مراجع | ||
|
A.Shukla, R. a. (2010). Swarm Intelligence. in Towards Hybrid and Adaptive Computing, 187-207. DOI:10.1007/978-3-642-14344-1 A.V Husselmann, a. K. (2012). Parallel Parametric Optimisation with Firefly Algorithms on . Graphical Processing Units, 1-7. Doi: 10.3390/app9010007 j.d.Owens, M. H. (2008). GPU Computing. Proceedings of the IEEE, 879-899. DOI:10.1109/GreenCom-CPSCom.2010.143 j.Kennedy, R. E. (1995). Particle swarm optimization. in Neural Networks, Perth, 1942-1948. DOI:10.1007/s12046-014-0244-7 G.Agarwal, S. (2013). Evaluation performance study of Firefly algorithm, particle swarm optimization and artificial bee colony algorithm for non-linear mathematical optimization functions. 1-8. DOI:10.1109/ICCCNT.2013.6726474 G.Zhua, S. (2010). Gbest-guided artificial bee colony algorithm for numerical function optimization. pp. 3166-3173. doi:10.1016/j.amc.2010.08.049 M.Imran, R. H. (2013). An Overview of Particle Swarm Optimization Variants. Procedia Engineering, 491-496. DOI:10.1016/j.proeng.2013.02.063 p.Pospichal, j. J. (2010). Parallel Genetic Algorithm on the CUDA Architecture. Applications of Evolutionary Computation, 442-451. DOI:10.1007/978-3-642-12239-2_46
S.X.Wu, a. W. (2010). The use of computational intelligence in intrusion etection systems A review. 1-35. DOI:10.1016/j.jnca.2012.08.007 S-C. Chu, H.-C. H.-S. (2011). Overview of Algorithms for Swarm Intelligence,". in Computational Collective Intelligence, 28-41. DOI:10.1007/978-3-642-23935-9_3 x.s.yang, x. H. (2013). Firefly algorithm: recent advances and applications. International Journal of Swarm Intelligence. pp. 35-50. DOI:10.1007/978-981-15-0306-1_1 x.Yang. (2010). Engineering optimization: an introduction with metaheuristic applications. John Wiley & Sons. DOI:10.1002/9780470640425 X.S.Yang. (2010). A new metaheuristic bat-inspired algorithm. In Nature inspired cooperative strategies for optimization. 65-74. DOI:10.1007/978-3-642-12538-6_6 X.Yang. (2013). Bat Algorithm: Literature Review and Applications. 141–149. DOI:10.1504/IJBIC.2013.055093 Z.Yao, a. J. (2011). A quantitative performance analysis model for GPU architectures. In High Performance Computer Architecture (HPCA), 382-393. DOI:10.1109/HPCA.2011.5749745 | ||
|
آمار تعداد مشاهده مقاله: 1,307 تعداد دریافت فایل اصل مقاله: 990 |
||