Implementing and evaluating parallel evolutionary algorithms in modern GPU computing libraries

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F22%3A10455088" target="_blank" >RIV/00216208:11320/22:10455088 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1145/3520304.3529000" target="_blank" >https://doi.org/10.1145/3520304.3529000</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1145/3520304.3529000" target="_blank" >10.1145/3520304.3529000</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Implementing and evaluating parallel evolutionary algorithms in modern GPU computing libraries

Popis výsledku v původním jazyce

In this paper, we describe FFEAT - a library for GPU-based implementation of evolutionary algorithms based on Torch. We discuss limitations of GPU computing and how they affect implementations of evolutionary algorithms and other population-based heuristics. Using FFEAT, we implement a number of different types of nature inspired algorithms, including evolutionary algorithms, evolution strategies, and particle swarm optimization. We investigate the performance of such algorithms in a number of benchmarks and with varying algorithm settings. We show that in some cases, we can obtain an order of magnitude speed-up by running the algorithm on a GPU compared to running it on a CPU.

Název v anglickém jazyce

Implementing and evaluating parallel evolutionary algorithms in modern GPU computing libraries

Popis výsledku anglicky

In this paper, we describe FFEAT - a library for GPU-based implementation of evolutionary algorithms based on Torch. We discuss limitations of GPU computing and how they affect implementations of evolutionary algorithms and other population-based heuristics. Using FFEAT, we implement a number of different types of nature inspired algorithms, including evolutionary algorithms, evolution strategies, and particle swarm optimization. We investigate the performance of such algorithms in a number of benchmarks and with varying algorithm settings. We show that in some cases, we can obtain an order of magnitude speed-up by running the algorithm on a GPU compared to running it on a CPU.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

GECCO 2022 Companion - Proceedings of the 2022 Genetic and Evolutionary Computation Conference

ISBN

978-1-4503-9268-6

ISSN

—

e-ISSN

—

Počet stran výsledku

4

Strana od-do

506-509

Název nakladatele

Association for Computing Machinery

Místo vydání

New York, United States

Místo konání akce

Boston, USA

Datum konání akce

9. 7. 2022

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—