An FPGA-based genetic algorithm machine (poster abstract)

Shackleford, Barry; Okushi, Etsuko; Yasuda, Mitsuhiro; Koizumi, Hiroyuki; Seo, Katsuhiko; Isobe, Takashi; Yasuura, Hiroto

doi:10.1145/329166.329215

Cited by 7 publications

(2 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Outro método utilizado foi a matriz sistólica, introduzido por Bland e Megson [6]. Técnicas de pipeline foram utilizadas no trabalho sobre SSGA (Steady-State Genetic Algorithm), apresentado por Shackleford et al [7] [8], e no trabalho sobre PGA (Pipelined Genetic Algorithm), apresentado por Saenz et al [9]. Pode-se citar ainda o algoritmo VGP-I, apresentado por Kavvadias, Giannakopoulou e Nikolaidis [10], o qual descreve uma arquitetura customizada para acelerar GAs.…”

Section: Implementação De Ga Em Hardwareunclassified

Um Novo Algoritmo Compacto Genético em Hardware: emCGA-HW

Silva¹,

Lima²,

Lopes³

2015

Anais Do 12. Congresso Brasileiro De Inteligência Computacional

View full text Add to dashboard Cite

Resumo-O algoritmo compacto genético (CGA-Compact Genetic Algorithm) é um algoritmo genético especialmente projetado para atender requisitos de implementação em hardware. Este trabalho propõe uma nova extensão do CGA, denominada emCGA-HW. O emCGA-HW é comparado com o emCGA em software, já descrito em trabalhos anteriores. Em ambas as abordagens é introduzido um novo operador de mutação objetivando-se uma melhor performace geral do CGA. São apresentados resultados desta comparação, enfatizando-se a significativa redução do tempo execução da abordagem em hardware em comparação com a abordagem em software, sem perda de qualidade do resultado.

show abstract

Section: Implementação De Ga Em Hardwareunclassified

Um Novo Algoritmo Compacto Genético em Hardware: emCGA-HW

Silva¹,

Lima²,

Lopes³

2015

Anais Do 12. Congresso Brasileiro De Inteligência Computacional

View full text Add to dashboard Cite

show abstract

“…Furthermore, a communication and synchronization burden of migration is added in PGA [3,4]. Though a myriad of HGA has also been put forward and has achieved impressive improvements in speed [5,6,7], a large amount of complex and expensive hardware (e.g., microprocessor, memory, and field programmable gate arrays (FPGAs)) is needed to attain these improvements. Besides the drawback of expense, HGA also suffers from the inevitable problem that in order to store the population GA requires a large memory.…”

Section: Introductionmentioning

confidence: 99%

A neurocomputing model for real coded genetic algorithm with the minimal generation gap

Gong

Ruan

Qiao

2004

Neural Comput & Applic

View full text Add to dashboard Cite

This paper proposes using neural networks (NN) to implement a real coded genetic algorithm (GA) with the center of gravity crossover (CGX) and the minimal generation gap (MGG) model. With all genetic operations of GA including selection, crossover, mutation and evaluation implemented with NN modules, this approach can realize in parallel genetic operations on the whole chromosome to achieve the maximum parallel realization potential of the MGG model of the GA. At the same time expensive hardware for field programmable gate arrays (FPGA) and the high speed memory of hardware for GA can be avoided. The performance of our solution is validated with a suite of benchmark test functions. This paper suggests that implementing GA with NN is a promising research direction for greatly reducing the running time of GA.

show abstract

On Computing Transitive-Closure Equivalence Sets Using a Hybrid GA-DP Approach

Lam

Mak

2002

Lecture Notes in Computer Science

View full text Add to dashboard Cite

An FPGA-based genetic algorithm machine (poster abstract)

Cited by 7 publications

References 0 publications

Um Novo Algoritmo Compacto Genético em Hardware: emCGA-HW

Um Novo Algoritmo Compacto Genético em Hardware: emCGA-HW

A neurocomputing model for real coded genetic algorithm with the minimal generation gap

On Computing Transitive-Closure Equivalence Sets Using a Hybrid GA-DP Approach

Contact Info

Product

Resources

About