Massively Parallel Evolutionary Computation on GPGPUs

الگوریتم‌های تکاملی (EAs) فراابتکاری هستند که از رفتار جمعی طبیعی درس می‌گیرند و برای حل مسائل بهینه‌سازی در حوزه‌هایی مانند زمان‌بندی، مهندسی، بیوانفورماتیک و امور مالی به کار می‌روند. چنین برنامه هایی نیازمند راه حل های قابل قبول با اجرای سریع با استفاده از منابع محاسباتی محدود هستند. بنابراین، تلاش‌های زیادی برای توسعه پلتفرم‌هایی برای اجرای EAهای موازی با استفاده از ماشین‌های چند هسته‌ای، ماشین‌های خوشه‌ای موازی انبوه یا محیط‌های محاسباتی شبکه‌ای صورت گرفته است. پیشرفت های اخیر در محاسبات همه منظوره بر روی واحدهای پردازش گرافیکی (GPGPU) این امکان را برای EA های موازی باز کرده است و این اولین کتابی است که به این توسعه مهیج اختصاص داده شده است.

سه فصل از بخش اول، آموزش‌هایی هستند که معرفی جامعی از رویکرد، توضیح ویژگی‌های سخت‌افزار مورد استفاده، و ارائه یک پروژه نماینده برای توسعه یک پلتفرم برای موازی‌سازی خودکار محاسبات تکاملی (EC) در GPGPU‌ها هستند. 10 فصل در بخش دوم بر چگونگی در نظر گرفتن رویکردهای کلیدی EC در پرتو این تکنیک محاسباتی پیشرفته تمرکز دارد، به ویژه به جستجوی محلی عمومی، جستجوی تابو، الگوریتم‌های ژنتیک، تکامل دیفرانسیل، بهینه‌سازی ازدحام، بهینه‌سازی کلونی مورچه‌ها، جستجوی ژنتیکی سیستولیک، برنامه ریزی ژنتیکی و بهینه سازی چندهدفه 6 فصل در بخش سوم نتایج موفقیت آمیزی را از مشکلات دنیای واقعی در داده کاوی، بیوانفورماتیک، کشف دارو، کریستالوگرافی، شیمی مصنوعی و سودوکو ارائه می دهد.

اگرچه موازی بودن EAها وجود دارد. برای پردازنده گرافیکی مبتنی بر داده‌های چندگانه تک دستوره (SIMD) مناسب است، مشکلات زیادی در طراحی و پیاده‌سازی وجود دارد و یکی از ویژگی‌های کلیدی مشارکت‌ها، توصیه‌های مهندسی عملی ارائه شده است. این کتاب برای محققان، پزشکان و دانشجویان تحصیلات تکمیلی در زمینه‌های محاسبات تکاملی و محاسبات علمی ارزشمند خواهد بود.

Evolutionary algorithms (EAs) are metaheuristics that learn from natural collective behavior and are applied to solve optimization problems in domains such as scheduling, engineering, bioinformatics, and finance. Such applications demand acceptable solutions with high-speed execution using finite computational resources. Therefore, there have been many attempts to develop platforms for running parallel EAs using multicore machines, massively parallel cluster machines, or grid computing environments. Recent advances in general-purpose computing on graphics processing units (GPGPU) have opened up this possibility for parallel EAs, and this is the first book dedicated to this exciting development.

The three chapters of Part I are tutorials, representing a comprehensive introduction to the approach, explaining the characteristics of the hardware used, and presenting a representative project to develop a platform for automatic parallelization of evolutionary computing (EC) on GPGPUs. The 10 chapters in Part II focus on how to consider key EC approaches in the light of this advanced computational technique, in particular addressing generic local search, tabu search, genetic algorithms, differential evolution, swarm optimization, ant colony optimization, systolic genetic search, genetic programming, and multiobjective optimization. The 6 chapters in Part III present successful results from real-world problems in data mining, bioinformatics, drug discovery, crystallography, artificial chemistries, and sudoku.

Although the parallelism of EAs is suited to the single-instruction multiple-data (SIMD)-based GPU, there are many issues to be resolved in design and implementation, and a key feature of the contributions is the practical engineering advice offered. This book will be of value to researchers, practitioners, and graduate students in the areas of evolutionary computation and scientific computing.