Parallel Processing of Genetic Algorithms in Python Language
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F19%3APU134025" target="_blank" >RIV/00216305:26220/19:PU134025 - isvavai.cz</a>
Výsledek na webu
<a href="https://ieeexplore.ieee.org/abstract/document/9017332" target="_blank" >https://ieeexplore.ieee.org/abstract/document/9017332</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/PIERS-Spring46901.2019.9017332" target="_blank" >10.1109/PIERS-Spring46901.2019.9017332</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Parallel Processing of Genetic Algorithms in Python Language
Popis výsledku v původním jazyce
Modern genetic algorithms are derived from natural laws and phenomenons and belong to evolutionary algorithms. Genetic algorithms are, by their very nature, suitable for parallel processing that leads to increased speed and to optimization. The paper deals with selected ways of parallelization of genetic algorithms with subsequent implementation. Parallelization brings an increase in algorithm speed and load distribution, which is compared to a serial model. Python language is used for demonstration. Four Python modules have been selected to provide parallel processing. They are the Global One - Population Master-Slave Model, the One-Population Fine-Grained Model, the Multi-Population Coarse-Grained Model, and the Hierarchical Model.
Název v anglickém jazyce
Parallel Processing of Genetic Algorithms in Python Language
Popis výsledku anglicky
Modern genetic algorithms are derived from natural laws and phenomenons and belong to evolutionary algorithms. Genetic algorithms are, by their very nature, suitable for parallel processing that leads to increased speed and to optimization. The paper deals with selected ways of parallelization of genetic algorithms with subsequent implementation. Parallelization brings an increase in algorithm speed and load distribution, which is compared to a serial model. Python language is used for demonstration. Four Python modules have been selected to provide parallel processing. They are the Global One - Population Master-Slave Model, the One-Population Fine-Grained Model, the Multi-Population Coarse-Grained Model, and the Hierarchical Model.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20201 - Electrical and electronic engineering
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2019
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
2019 Progress in Electomagnetics Research Symposium (PIERS - Rome)
ISBN
978-4-88552-316-8
ISSN
1559-9450
e-ISSN
—
Počet stran výsledku
5
Strana od-do
3727-3731
Název nakladatele
IEEE
Místo vydání
Rome, Italy
Místo konání akce
Řím
Datum konání akce
17. 6. 2019
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000550769303121