基于CUDA的符號回歸算法并行設(shè)計與實現(xiàn).pdf

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