Data parallel density-based genetic clustering on CUDA architecture
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F14%3A86092261" target="_blank" >RIV/61989100:27240/14:86092261 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/61989100:27740/14:86092261
Výsledek na webu
<a href="http://dx.doi.org/10.1002/cpe.3054" target="_blank" >http://dx.doi.org/10.1002/cpe.3054</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1002/cpe.3054" target="_blank" >10.1002/cpe.3054</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Data parallel density-based genetic clustering on CUDA architecture
Popis výsledku v původním jazyce
Evolutionary clustering algorithms have been proven as a good ability to find clusters in data. Among their advantages belong the abilities to adapt to data and to determine the number of clusters automatically, thus requiring less a priori assumptions about analyzed objects than traditional clustering methods. Unfortunately, such a clustering by genetic algorithms and evolutionary algorithms in general suffers from high computational costs when it comes to recurrent fitness function evaluation. Computing on graphic processing units (GPUs) is a recent programming and development paradigm bringing high performance parallel computing closer to general audience. Modern general purpose GPUs are composed of tens to thousands of computational cores that canexecute programs in parallel using the single instruction multiple data parallel processing approach. General purpose GPU programs need to be designed and implemented in a data parallel way and with respect to the architecture of target d
Název v anglickém jazyce
Data parallel density-based genetic clustering on CUDA architecture
Popis výsledku anglicky
Evolutionary clustering algorithms have been proven as a good ability to find clusters in data. Among their advantages belong the abilities to adapt to data and to determine the number of clusters automatically, thus requiring less a priori assumptions about analyzed objects than traditional clustering methods. Unfortunately, such a clustering by genetic algorithms and evolutionary algorithms in general suffers from high computational costs when it comes to recurrent fitness function evaluation. Computing on graphic processing units (GPUs) is a recent programming and development paradigm bringing high performance parallel computing closer to general audience. Modern general purpose GPUs are composed of tens to thousands of computational cores that canexecute programs in parallel using the single instruction multiple data parallel processing approach. General purpose GPU programs need to be designed and implemented in a data parallel way and with respect to the architecture of target d
Klasifikace
Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
IN - Informatika
OECD FORD obor
—
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
2014
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Concurrency Computation Practice and Experience
ISSN
1532-0626
e-ISSN
—
Svazek periodika
26
Číslo periodika v rámci svazku
5
Stát vydavatele periodika
US - Spojené státy americké
Počet stran výsledku
16
Strana od-do
1097-1112
Kód UT WoS článku
000332983700007
EID výsledku v databázi Scopus
—