Effective Mapping of Grammatical Evolution to CUDA Hardware Model
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F11%3APU96038" target="_blank" >RIV/00216305:26230/11:PU96038 - isvavai.cz</a>
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Effective Mapping of Grammatical Evolution to CUDA Hardware Model
Popis výsledku v původním jazyce
Several papers have shown that symbolic regression is suitable for data analysis and prediction in finance markets. The Grammatical Evolution (GE) has been successfully applied in solvingvarious tasks including symbolic regression. However, performance of this method can limit the areaof possible applications. This paper deals with utilizing mainstream graphics processing unit (GPU)for acceleration of GE solving symbolic regression. With respect to various mentioned constrains,such as PCI-Express and main memory bandwidth bottleneck, we have designed effective mappingof the algorithm to the CUDA framework. Results indicate that for larger number of regression pointscan our algorithm run 636 or 39 times faster than GEVA library routine or a sequential Ccode, respectively. As a result, the ordinary GPU, if used properly, can offer interesting performance boostfor solution the symbolic regression by the GE.
Název v anglickém jazyce
Effective Mapping of Grammatical Evolution to CUDA Hardware Model
Popis výsledku anglicky
Several papers have shown that symbolic regression is suitable for data analysis and prediction in finance markets. The Grammatical Evolution (GE) has been successfully applied in solvingvarious tasks including symbolic regression. However, performance of this method can limit the areaof possible applications. This paper deals with utilizing mainstream graphics processing unit (GPU)for acceleration of GE solving symbolic regression. With respect to various mentioned constrains,such as PCI-Express and main memory bandwidth bottleneck, we have designed effective mappingof the algorithm to the CUDA framework. Results indicate that for larger number of regression pointscan our algorithm run 636 or 39 times faster than GEVA library routine or a sequential Ccode, respectively. As a result, the ordinary GPU, if used properly, can offer interesting performance boostfor solution the symbolic regression by the GE.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/GAP103%2F10%2F1517" target="_blank" >GAP103/10/1517: Natural computing na nekonvenčních platformách</a><br>
Návaznosti
Z - Vyzkumny zamer (s odkazem do CEZ)
Ostatní
Rok uplatnění
2011
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
Proceedings of the 17th Conference Student EEICT 2011 Volume 3
ISBN
978-80-214-4273-3
ISSN
—
e-ISSN
—
Počet stran výsledku
5
Strana od-do
574-578
Název nakladatele
Brno University of Technology
Místo vydání
Brno
Místo konání akce
Brno
Datum konání akce
28. 4. 2011
Typ akce podle státní příslušnosti
CST - Celostátní akce
Kód UT WoS článku
—