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”

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