×
拉尔夫·斯特马克

并行超级计算机上遗传混合算法的可扩展性。 （英语） Zbl 1189.90214号

凯伯内特斯 37，编号9-10，1492-1507（2008）.
摘要：目的-演示遗传混合算法（GHA）在监测局部神经网络算法处理复杂非线性/混沌时间序列问题时的可扩展性。
设计/方法/方法——GHA是一种通用算法，跨越数学问题解决的几个领域。如果需要，GHA会在解决方案过程的关键阶段调用加速器函数，为其提供函数参数列表中解决方案向量的当前填充。用户可以控制计算阶段（生成新种群、交叉、变异等），并可以修改解向量的种群，例如通过加速器通道调用专用算法。如果需要，GHA的步骤可以部分或完全被基于专用数学/人工智能的算法取代。该系统可用作经典数学规划的软件包，并禁用遗传子块。另一方面，算法可以变成随机分析的机器（例如，用于蒙特卡罗模拟、时间序列建模或神经网络），在这里，数学编程和遗传计算设施被停用或适当调整。最后，纯进化计算可能被激活用于研究遗传现象。GHA包含一个基于MPI的灵活通用多计算机框架，允许实现多种并行模型。
结果-结果表明GHA是可扩展的，但由于神经网络和遗传算法的固有随机性，本文提出的可扩展性证据只是指示性的。GHA的可扩展性源于最大的节点智能，在独立计算块的问题中允许最小的节点间通信。
原创性/价值——本文表明GHA可以在顺序和并行平台上有效运行。多计算机布局基于最大化节点的智能（所有节点都提供相同的程序和可用的计算支持库）和最小化节点间通信，因此GHA不会限制独立计算任务问题中网格的大小。

引用于2文件

MSC公司：

90 C59 数学规划中的近似方法和启发式
92秒20 生物研究、人工生命和相关主题中的神经网络
2005年5月 并行数值计算

关键词：

控制论；神经网络；编程

软件：

CFSQP公司
PDF格式BibTeX公司 XML格式引用
\textit{R.Østermark}，Kybernetes 37，No.9-10，1492--1507（2008；Zbl 1189.90214）
全文： 内政部

参考文献：

[1] Amdahl，G.（1967），“实现大规模计算能力的单处理器方法的有效性”，AFIPS会议，第483-5页·doi:10.1145/1465482.1465560
[2] 内政部：10.1007/BF01298458·Zbl 0840.90028号 ·doi:10.1007/BF01298458
[3] DOI:10.1016/j.parco.2003.12.009·doi:10.1016/j.parco.2003.12.009
[4] DOI:10.1103/PhysRevLett.59.845·doi:10.1103/PhysRevLett.59.845
[5] DOI:10.1016/j.neunet.2005.03.010·Zbl 02212684号 ·doi:10.1016/j.neunet.2005.03.010
[6] Gorriz，J.M.、Algeciras，E.P.S.、Puntonet，C.G.、Salmeron，M.和Martin-Clemente，R.（2004），“时间序列预测模型的并行化，并行分布和基于网络的处理”，《第十二届欧洲微观会议论文集》，2月11日至13日，第103-10页。
[7] DOI:10.1016/j.jpdc.2004.03.006·Zbl 1078.68604号 ·doi:10.1016/j.jpdc.2004.03.006
[8] 内政部：10.1016/0098-1354（96）00031-2·doi:10.1016/0098-1354（96）00031-2
[9] DOI:10.1002/for.3980100503 DOI:10.1002/for.3980100503 DOI:10.1002/for.3980100503 DOI:10.1002/for.3980100503 DOI:10.1002/for.3980100503 DOI:10.1002/for.3980100503·Zbl 04505198号 ·doi:10.1002/用于3980100503
[10] 数字对象标识码：10.1006/jpdc.2000.1686·Zbl 1010.68677号 ·doi:10.1006/jpdc.2000.1686
[11] DOI:10.1016/j.未来.2006.10.008·doi:10.1016/j.未来.2006.10.008
[12] DOI:10.1016/S0377-2217（02）00448-4·Zbl 1035.90040号 ·doi:10.1016/S0377-2217（02）00448-4
[13] DOI:10.1007/BF00127077·Zbl 0853.68157号 ·doi:10.1007/BF00127077
[14] 内政部：10.1016/0893-6080（95）00039-9·Zbl 05477595号 ·doi:10.1016/0893-6080（95）00039-9
[15] DOI:10.1023/A:1008621308348·Zbl 0954.90033号 ·doi:10.1023/A:1008621308348
[16] 数字对象标识码：10.1007/s005000100131·Zbl 0994.68602号 ·doi:10.1007/s005000100131
[17] Østermark，R.（2002b），“非线性混合整数规划问题的灵活遗传混合算法”，进化优化，第1卷第1期，第41-52页。
[18] 内政部：10.1108/03684920210417319·Zbl 1021.90027号 ·doi:10.1108/03684920210417319
[19] Ùstermark，R.（2008），“多层感知器的基因数学识别”，神经计算与应用（即将出版）。
[20] 内政部：10.1108/03684929610118363·Zbl 0935.90027号 ·数字对象标识代码：10.1108/03684929610118363
[21] Tanese，R.（1989），“分布式遗传算法”，《第三届遗传算法国际会议论文集》，第434-9页。
[22] Tosic，P.T.（2004），“架构：大规模并行计算的未来展望：细粒度与粗粒度并行模型、比较与对比”，《第一届计算前沿会议论文集》，CF'04。
[23] DOI:10.1016/j.jpdc.2007.04.015·Zbl 1124.68326号 ·doi:10.1016/j.jpdc.2007.04.015
[24] DOI:10.1016/S0305-0548（98）00035-5·兹比尔0933.90048 ·doi:10.1016/S0305-0548（98）00035-5
[25] DOI:10.1016/S0305-0548（99）00034-9·Zbl 0947.65046号 ·doi:10.1016/S0305-0548（99）00034-9
[26] DOI:10.1016/S0165-0114（98）00057-8·Zbl 0970.68567号 ·doi:10.1016/S0165-0114（98）00057-8
[27] DOI:10.1016/S0167-9473（01）00028-7·Zbl 1008.62712号 ·doi:10.1016/S0167-9473（01）00028-7
[28] 内政部：10.1108/03684920710749730·Zbl 1206.90105号 ·doi:10.1108/03684920710749730
[29] DOI:10.1016/S0925-5273（00）00019-0·doi:10.1016/S0925-5273（00）00019-0
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。