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。