Resumen

GUIRACOCHA, Manuel; ASTUDILLO-SALINAS, Fabian  y  TORRES, Santiago. Feasibility analysis of the use of GPU to improve the efficiency of metaheuristics optimization algorithms. Novasinergia [online]. 2023, vol.6, n.1, pp.50-64.  Epub 16-Ene-2023. ISSN 2631-2654.  https://doi.org/10.37135/ns.01.11.04.

Actualmente, varios problemas de optimización del mundo real han sido modelados matemáticamente. El proceso de modelado considera la mayor cantidad de información posible para proporcionar resultados válidos, y el modelo obtenido comúnmente se resuelve computacionalmente. Sin embargo, a medida que aumenta la información, también aumenta la complejidad. En consecuencia, se necesita una mayor capacidad computacional para resolver problemas complejos y escalables. Como resultado, se han desarrollado algoritmos meta-heurísticos para resolver problemas complejos de optimización. Estos algoritmos se usan comúnmente para dos o más dimensiones en las que están involucradas operaciones vectoriales y matriciales. Por lo tanto, es útil realizar procesos paralelos que reduzcan el tiempo de ejecución para solucionar este problema. Actualmente, las unidades centrales de procesamiento (CPU, por sus siglas en inglés) multinúcleo logran resolver fácilmente pequeños problemas con cálculos paralelos. Sin embargo, la unidad de procesamiento de gráficos (GPU, por sus siglas en inglés) mejora el rendimiento porque integra una cantidad de núcleos más importante que la CPU. Es muy útil para resolver problemas utilizando varios procesos en paralelo. Las operaciones matriciales, el problema del vendedor y el problema de planificación de expansión de la transmisión (TEP) han sido seleccionados para implementarse utilizando la GPU para verificar la contribución del procesador al rendimiento de los cálculos científicos. En los resultados, la GPU ayudó a resolver el "problema del vendedor" porque se analizaron más soluciones o partículas candidatas en menos tiempo. Debido a estos resultados, se asumió que habría un mejor rendimiento resolviendo el problema TEP utilizando la GPU y analizando un número mayor de topologías candidatas en menos tiempo. Sin embargo, este no fue el caso; según los resultados, el uso de la GPU lleva más tiempo al analizar más partículas.

Palabras clave : Modelo AC; CUDA; GPU; Metaheurística; Optimización; Optimización de Enjambre de partículas; Planificación de Expansión de Transmisión.

        · resumen en Inglés     · texto en Inglés     · Inglés ( pdf )