Swarm Grid: A Proposal for High Performance of Parallel Particle Swarm Optimization Using GPGPU

Calazan, Rogério M.; Nedjah, Nadia; Mourelle, Luiza de Macedo

doi:10.1007/978-3-642-31125-3_12

Cited by 11 publications

(5 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…For example, since IDA-MCS can concentrate samples on the peak area, triangulation of these points produces mesh with high density in peak area which needs more computation, and low density in flat area which needs less computation. 12 12 12…”

Section: Discussionmentioning

confidence: 99%

“…Particle Swarm Optimization is a method of optimization with scanning the search space by a group of candidate solutions named particle, and these particles are suitable for parallelization. Particle Swarm Optimization is well parallelized by GPU computing [1][2][3][4][5][6] with application to computer sciences [7][8][9][10][11][12][13][14], finance [15,16], physics [17], biology [18], etc.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

High-accuracy Optimization by Parallel Iterative Discrete Approximation and GPU Cluster Computing

Zhao¹

2014

JSW

View full text Add to dashboard Cite

High-accuracy optimization is the key component of time-sensitive applications in computer sciences such as machine learning, and we develop single-GPU Iterative Discrete Approximation Monte Carlo Optimization (IDA-MCS) and multi-GPU IDA-MCS in our previous research. However, because of the memory capability constrain of GPUs in a workstation, single-GPU IDA-MCS and multi-GPU IDA-MCS may be in low performance or even functionless for optimization problems with complicated shapes such as large number of peaks. In this paper, by the novel idea of parallelizing Iterative Discrete Approximation with CUDA-MPI programming, we develop the GPU cluster version (GPU-cluster) of IDA-MCS with two different parallelization strategies: Domain Decomposition and Local Search, under the style of Single Instruction Multiple Data by CUDA 5.5 and MPICH2, and we exhibit the performance of GPU-cluster IDA-MCS by optimizing complicated cost functions. Computational results show that, by the same number of iterations, for the cost function with millions of peaks, the accuracy of GPU-cluster IDA-MCS is approximately thousands of times higher than that of the conventional method Monte Carlo Search. Computational results also show that, the optimization accuracy from Domain Decomposition IDA-MCS is much higher than that of Local Search IDA-MCS.

show abstract

Section: Discussionmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

High-accuracy Optimization by Parallel Iterative Discrete Approximation and GPU Cluster Computing

Zhao¹

2014

JSW

View full text Add to dashboard Cite

show abstract

“…YCoCg [19]. Στη συνέχεια, τα χρωματικά κανάλια Co και Cg υποδειγματοληπτούνται κατά έναν παράγοντα Ν ο οποίος ορίζεται από το χρήστη και οι τιμές των εικονοστοιχείων τους κανονικοποιούνται στο εύρος [0 , 255] προσθέτοντας την τιμή 127 σε κάθε στοιχείο.…”

Section: ο αλγόριθμος Cvc για συμπίεση βίντεοunclassified

“…Executing the same program for each data element leads to low demand for sophisticated flow control. Moreover, executing the program on a large number of data elements results in high arithmetic intensity and the memory access latency effects are mitigated with calculations instead of big data caches [19]. Data parallel processing is implemented by allocating the computations for each data element to parallel processing threads.…”

Section: General Purpose Gpu Computing (Gpgpu)mentioning

confidence: 99%

“…19 depicts segmentation results for a region of the real microarray image with and without the use of the seed elimination criterion, showing the emergence of spurious spots in case the seed elimination criterion is not utilised. It is evident that the regular occurrence of spurious the quality of the segmentation results and would lead to serious mistakes in the outcome of a microarray experiment.…”

mentioning

confidence: 99%

See 1 more Smart Citation

Advanced GPU - based methods for analysis and processing of biomedical images and general purpose video

Katsigiannis¹,

Κατσιγιάννης²

View full text Add to dashboard Cite

Στην παρούσα διατριβή παρουσιάζονται μια πρωτότυπη μέθοδος εξαγωγής χαρακτηριστικών για την ταξινόμηση θυρεοειδικής υπερηχογραφικής υφής, μια πρωτότυπη μέθοδος κατάτμησης εικόνων μικροσυστοιχιών συμπληρωματικού DNA (cDNA) για την υποβοήθηση της διαδικασίας ποσοτικοποίησης της γονιδιακής έκφρασης, ένα λογισμικό για αυτοματοποιημένη ανάλυση εικόνων μικροσυστοιχιών συμπληρωματικού DNA με χρήση επεξεργαστών γραφικών (GPU), και μια πρωτότυπη μέθοδος για υψηλής ποιότητας συμπίεση βίντεο στον επεξεργαστή γραφικών. Προτάθηκαν υλοποιήσεις για υπολογισμό σε επεξεργαστές γραφικών για όλους τους αλγόριθμους που αναπτύχθηκαν στα πλαίσια αυτής της διατριβής, με σκοπό τη μείωση του απαιτούμενου υπολογιστικού χρόνου και την αξιοποίηση της συνήθως υποχρησιμοποιούμενης υπολογιστικής ισχύος των σύγχρονων επεξεργαστών γραφικών. Η πρώτη κύρια συνεισφορά της παρούσας διατριβής είναι μια πρωτότυπη μέθοδος εξαγωγής χαρακτηριστικών για την ταξινόμηση θυρεοειδικής υπερηχογραφικής υφής. Η προτεινόμενη μέθοδος βασίζεται στην εξαγωγή στατιστικών χαρακτηριστικών από υπερηχογραφικές εικόνες του θυρεοειδούς με σκοπό τη μετέπειτα ταξινόμηση σε υγιή και οζώδη θυρεοειδικό ιστό. Οι εικόνες αρχικά αναλύονται με χρήση του μετασχηματισμού Contourlet και στη συνέχεια υπολογίζεται ένα σύνολο στατιστικών χαρακτηριστικών από τις συνιστώσες του μετασχηματισμού Contourlet. Έπειτα εφαρμόζεται ένας αλγόριθμος επιλογής χαρακτηριστικών για να επιλεχθούν τα πιο σημαντικά χαρακτηριστικά και να μειωθεί το μέγεθος του διανύσματος χαρακτηριστικών. Η ακρίβεια της ταξινόμησης που επιτυγχάνεται με τη χρήση των προτεινόμενων χαρακτηριστικών αξιολογήθηκε με χρήση μηχανών ανυσμάτων στήριξης (SVM). Τα πειραματικά αποτελέσματα έδειξαν ότι η προτεινόμενη μέθοδος είναι αποτελεσματικότερη σε σχέση με άλλες σύγχρονες μεθόδους και αποτελεί μια βιώσιμη λύση για το πρόβλημα της ταξινόμησης θυρεοειδικής υπερηχογραφικής υφής.Η δεύτερη κύρια συνεισφορά της παρούσας διατριβής είναι μια πρωτότυπη μέθοδος κατάτμησης εικόνων μικροσυστοιχιών συμπληρωματικού DNA (cDNA). Η προτεινόμενη μέθοδος λαμβάνει ως είσοδο μια εικόνα μικροσυστοιχιών συμπληρωματικού DNA και το προϋπολογισμένο πλέγμα και κατατέμνει την εικόνα σε περιοχές υποβάθρου και περιοχές κηλίδων συμπληρωματικού DNA. Έπειτα από ένα στάδιο προεπεξεργασίας με σκοπό τη μείωση των επιπέδων θορύβου, επιλέγονται αυτόματα εικονοστοιχεία αρχικοποίησης για τις περιοχές υποβάθρου και κηλίδων και στη συνέχεια η κατάτμηση πραγματοποιείται με μια μέθοδο ανάπτυξης περιοχών. Η αξιολόγηση της προτεινόμενης μεθόδου σε πραγματικές εικόνες μικροσυστοιχιών συμπληρωματικού DNA μέσω οπτικού ελέγχου (λόγω αδυναμίας απόκτησης της δεδομένης αλήθειας – ground truth) έδειξε ότι η προτεινόμενη μέθοδος επιτυγχάνει ποιοτική κατάτμηση των εικόνων. Η συγκριτική αξιολόγηση πάνω σε συνθετικές εικόνες μικροσυστοιχιών έδειξε ότι η προτεινόμενη μέθοδος επιτυγχάνει καλύτερα στατιστικά αποτελέσματα σε σχέση με σύγχρονες μεθόδους κατάτμησης. Η τρίτη κύρια συνεισφορά της παρούσας διατριβής είναι ένα λογισμικό για την αυτοματοποιημένη δημιουργία πλέγματος και την κατάτμηση εικόνων μικροσυστοιχιών συμπληρωματικού DNA το οποίο προσφέρει ένα εύκολο στη χρήση γραφικό περιβάλλον που επιτρέπει την ανάλυση των εικόνων με το πάτημα ενός κουμπιού. Οι υπολογισμοί γίνονται όλοι στον επεξεργαστή γραφικών για να επιτευχθούν χαμηλοί χρόνοι υπολογισμού. Το προτεινόμενο λογισμικό ενσωματώνει μια προτεινόμενη υλοποίηση σε επεξεργαστές γραφικών μιας πολύ αποτελεσματικής μεθόδου δημιουργίας πλέγματος, η οποία χρησιμοποιεί γενετικό αλγόριθμο για τον υπολογισμό του βέλτιστου πλέγματος σε εικόνες μικροσυστοιχιών. Η προτεινόμενη υλοποίηση επιτυγχάνει σημαντικά χαμηλότερους χρόνους υπολογισμού σε σχέση με την υλοποίηση για κεντρικούς επεξεργαστές και επιτρέπει τη χρήση της μεθόδου σε πραγματικές εργαστηριακές συνθήκες. Εκτός από τη μέθοδο δημιουργίας πλέγματος, το λογισμικό ενσωματώνει και μια υλοποίηση για επεξεργαστές γραφικών της προτεινόμενης μεθόδου κατάτμησης εικόνων μικροσυστοιχιών συμπληρωματικού DNA. Βασιζόμενο στις προαναφερθείσες μεθόδους, το προτεινόμενο λογισμικό επιτυγχάνει αυξημένες επιδόσεις σε σχέση με σύγχρονες μεθόδους ανάλυσης εικόνων μικροσυστοιχιών συμπληρωματικού DNA. Η τελευταία κύρια συνεισφορά της παρούσας διατριβής είναι μια πρωτότυπη μέθοδος για υψηλής ποιότητας συμπίεση βίντεο στον επεξεργαστή γραφικών. Ο προτεινόμενος αλγόριθμος κάνει χρήση του μετασχηματισμού Contourlet σε συνδυασμό με άλλες απωλεστικές και μη απωλεστικές τεχνικές συμπίεσης δεδομένων με σκοπό τη συμπίεση δεδομένων βίντεο σε πραγματικό χρόνο με χρήση του επεξεργαστή γραφικών. Η προτεινόμενη μέθοδος επιτυγχάνει υψηλότερη οπτική ποιότητα σε σχέση με άλλες σύγχρονες μεθόδους σε περιπτώσεις πολύ χαμηλού bit rate και δεν υποφέρει από την εμφάνιση μπλοκ τεχνουργημάτων όπως συμβαίνει με τους διαδεδομένους αλγόριθμους συμπίεσης βίντεο που βασίζονται στον μετασχηματισμό DCT. Τα πιο εντατικά υπολογιστικά βήματα του προτεινόμενου αλγορίθμου υπολογίζονται στον επεξεργαστή γραφικών, μειώνοντας έτσι το φόρτο του κεντρικού επεξεργαστή και αυξάνοντας την ικανότητα παράλληλης εκτέλεσης του συστήματος.

show abstract

Improved CUDA PSO Based on Global Topology

Kołodziejczyk

Sychel

Bera

2017

Artificial Intelligence and Soft Computing

View full text Add to dashboard Cite

Swarm Grid: A Proposal for High Performance of Parallel Particle Swarm Optimization Using GPGPU

Cited by 11 publications

References 7 publications

High-accuracy Optimization by Parallel Iterative Discrete Approximation and GPU Cluster Computing

High-accuracy Optimization by Parallel Iterative Discrete Approximation and GPU Cluster Computing

Advanced GPU - based methods for analysis and processing of biomedical images and general purpose video

Improved CUDA PSO Based on Global Topology

Contact Info

Product

Resources

About