基于CUDA的符號回歸算法并行設(shè)計與實現(xiàn).pdf_第1頁
已閱讀1頁,還剩71頁未讀 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認(rèn)領(lǐng)

文檔簡介

1、隨著信息存儲的急劇增長,人們迫切需要從海量數(shù)據(jù)中提取有用的信息與知識,并將獲取的有用經(jīng)驗廣泛用于商務(wù)管理、生產(chǎn)控制、市場分析、工程設(shè)計和科學(xué)探索等。而符號回歸算法則是數(shù)據(jù)挖掘在科學(xué)計算領(lǐng)域的一個重要研究方向與課題。簡單地說,符號回歸即是在一組大量的相關(guān)變量的數(shù)據(jù)樣本中,搜索出一個符號形式的數(shù)學(xué)公式,來以指定的精度擬合數(shù)據(jù)。
  目前解決該問題的方法多是基于遺傳規(guī)劃算法來實現(xiàn)的,但由于其編碼的復(fù)雜性與變異過程的不易操作性,本文采用基

2、于基因表達式程序設(shè)計(GEP)的新型進化算法,它結(jié)合了遺傳算法定長線性編碼方式與遺傳規(guī)劃算法易于表達復(fù)雜結(jié)構(gòu)的優(yōu)勢,使得其在實際應(yīng)用尤其是符號回歸問題上表現(xiàn)的相當(dāng)出色。為了改進傳統(tǒng)GEP算法的性能與精度,本文選用GPU作為并行計算平臺,使用Nvidia公司推出的統(tǒng)一計算設(shè)備架構(gòu) CUDA這一編程模型,將 GEP遺傳算法中計算量最大的適應(yīng)度值求解過程放在GPU上并行處理,充分發(fā)揮了GPU的計算性能,并得到了滿意的加速效果。而在算法正確性方

3、面,本文在個體的進化算法過程中融入了本地搜索算法,最小二乘方法(MLS),旨在個體每次進化出固定結(jié)構(gòu)后,不斷地優(yōu)化常系數(shù),使其最大精度的滿足實驗樣本數(shù)據(jù),從而改善每個染色體的適應(yīng)度值。
  本文實驗部分,選取了30組從國外文獻中摘取出來的,具有代表意義的實驗樣例,分別從算法性能與成功率兩方面進行實驗。在速度對比實驗中,基于CUDA的符號回歸算法性能相對于串行程序能夠達到250倍的加速比;而在搜索結(jié)果正確率比對實驗中,嵌入 MLS常

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論