Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

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