欢迎来到天天文库
浏览记录
ID:18666333
大小:51.50 KB
页数:12页
时间:2018-09-20
《基于多线程评估的基因表达式编程算法》由会员上传分享,免费在线阅读,更多相关内容在教育资源-天天文库。
1、基于多线程评估的基因表达式编程算法摘要:分析了基因表达式编程(gep)算法的性能关键,指出提升的一个重要瓶颈是在个体评估阶段;结合多核cpu并行计算能力,提出了基于多线程评估的gep算法(mtegep),并通过实验验证了mtegep的高效性:在双核cpu环境下mtegep运算速度是传统gep的1.89倍,而在8核cpu环境下达到了6.48倍。实验结果表明该算法能有效提升gep算法的性能。关键词:数据挖掘;基因表达式编程;多线程;多核cpu;评估geneexpressionprogrammingalgorithmba
2、sedonmulti.threadingevaluatornisheng.qiao*,tangchang.jie,yangning,zuojiecollegeofcomputerscience,sichuanuniversity,chengdusichuan610064,chinaabstract:combinestheadvantageofmulti.corecpuandmulti.threadingtechnology,introducesanewgeneexpressionprogramming(ge
3、p)algorithmwithmulti.threadingevaluatorwhichgreatlyimprovestheefficiencyofthegepalgorithm.theexperimentalresultsdemonstratethatthenewproposedalgorithmmtegepismoreefficiencythantraditionalgep.furthermore,comparingtothetraditionalgep,mtegepachieves1.89timesfaster
4、speedinaveragewithadual.corecpu,and6.48timesfasterspeedwithaneight.corecpu.combiningtheadvantagesofmulti.corecpuandmulti.threadingtechnology,anewgeneexpressionprogramming(gep)algorithmwithmulti.threadingevaluatorwasintroduced,whichgreatlyimprovedtheefficiencyof
5、thegepalgorithm.theexperimentalresultsdemonstratethatthenewproposedalgorithmmtegepismoreefficientthantraditionalgep.furthermore,comparedtothetraditionalgep,mtegepachieves1.89timesfasterspeedinaveragewithadual.corecpu,and6.48timesfasterspeedwithaneight.corecpu.
6、keywords:datamining;geneexpressionprogramming(gep);multi.threading;multi.corecpu;evaluator0引言从海量信息中挖掘有效知识是数据库技术研究的重要课题。进化计算作为数据挖掘的一类重要方法,有着广泛的应用,是当前的研究热点。基因表达式编程(geneexpressionprogramming,gep)算法是进化算法家族中的新兴技术,它综合了遗传算法(geneticalgorithm,ga)和遗传编程(geneticprogrammi
7、ng,gp)的优点,具有更强的解决问题的能力,其最大特点是优化的基因序列表示结构,它消除了传统遗传算法在进化过程可能产生无效基因的缺陷,是效率较为理想的数据挖掘方法[1]。特别在函数挖掘方面,涌现出了许多新的gep研究和应用成果,参见文献[2-10]。与此同时,众多学者在传统gep算法基础上,针对不同应用提出了效率更高、适应性更强的改进算法。文献[11]提出了基于搜索空间划分和sharing函数的粒子群优化算法;文献[12]对传统gep的评估算法进行研究,提出了具有线性复杂度的gep适应度评价算法;文献[13]
8、研究了基于基因表达式编程的多目标优化算法;此外文献[14-17]分别针对不同领域提出了改进的gep新算法。目前关于基因表达式编程的研究主要集中在对gep理论分析和算法优化和改进,尚未见到利用高性能硬件资源来提高gep性能的研究。在实践中,作者发现目前的gep算法没有充分发挥计算机硬件的性能,算法效率不尽如人意。例如:在种群规模较大、进化代数较
此文档下载收益归作者所有