CN107301459A - 一种基于fpga异构运行遗传算法的方法及系统 - Google Patents

一种基于fpga异构运行遗传算法的方法及系统 Download PDF

Info

Publication number
CN107301459A
CN107301459A CN201710575712.XA CN201710575712A CN107301459A CN 107301459 A CN107301459 A CN 107301459A CN 201710575712 A CN201710575712 A CN 201710575712A CN 107301459 A CN107301459 A CN 107301459A
Authority
CN
China
Prior art keywords
population
individual
main frame
genetic algorithm
fpga device
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710575712.XA
Other languages
English (en)
Inventor
张新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou Yunhai Information Technology Co Ltd
Original Assignee
Zhengzhou Yunhai Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhengzhou Yunhai Information Technology Co Ltd filed Critical Zhengzhou Yunhai Information Technology Co Ltd
Priority to CN201710575712.XA priority Critical patent/CN107301459A/zh
Publication of CN107301459A publication Critical patent/CN107301459A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于FPGA异构运行遗传算法的方法，基于FPGA异构执行各个种群中的各个个体的交叉运算、变异运算、选择运算等操作，各个种群之间并行执行交叉运算和/或变异运算的操作，且种群中各个个体之间交叉运算和/或变异运算的操作也是并行执行的，最终获得各个种群中收敛的最优个体，本发明采用这种并行运行遗传算法的方法能够极大的缩短收敛算法的所耗费的时间，降低并行运算各个种群以及个体线程的成本，拓展了遗传算法的应用场景，本发明还公开了一种基于FPGA异构运行遗传算法的系统，具有上述有益效果。

Description

一种基于FPGA异构运行遗传算法的方法及系统
技术领域
本发明涉及遗传算法领域，特别是涉及一种基于FPGA异构运行遗传算法的方法及系统。
背景技术
遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。随着遗传算法计算性能的提高，目前在机器学习、信号处理、自动控制等领域也有了广泛的应用，尤其可以用来训练神经网络。
然而随着科技的发展，我们面对的问题越来越复杂，处理的数据量越来越大，逐步进入大数据的时代，串行算法在处理复杂问题以及数据量较大的问题时往往会出现收敛速度慢、结果不准确等问题，这些问题严重阻碍了遗传算法的应用，研究并行运行遗传算法迫在眉睫。
目前来说，现有的并行方案都是基于多核CPU架构的，比较常用的方案有粗粒度模型，每个线程计算一个种群，这种算法的并行度和线性数相关，在CPU核数较少的情况下并行效率不高，另一种比较常用的方案是细粒度模型，只运算一个种群，每个线程计算一个个体，并行效率高，但是需要众核架构的集群，所以运行的成本也比较高。
发明内容
本发明的目的是提供一种基于FPGA异构运行遗传算法的方法，解决了遗传算法运算并行度不高的问题，提高了遗传算法收敛算法的效率，降低了运算的成本，拓展了遗传算法的应用场景，本发明的另一目的是提供了一种基于FPGA异构运行遗传算法的系统。
为解决上述技术问题，本发明提供一种基于FPGA异构运行遗传算法的方法，该方法包括：
FPGA设备获取待执行遗传算法运算的多个种群数据；所述FPGA设备对所述种群中的每个个体进行适应度的评价，得到评价结果；主机根据所述评价结果，对各个所述种群中的所述个体执行选择运算，以便所述种群中各个所述个体的适应度达到预设条件，且各个所述种群具有相同的最优个体；在执行选择运算后，所述FPGA设备对各个所述种群内各个所述个体执行交叉运算和/或变异运算的操作，其中各个种群之间并行执行所述操作，且所述种群内各个所述个体之间并行执行所述操作；所述主机根据所述操作结果获得收敛的最优个体。
其中，所述FPGA设备对所述种群中的每个个体进行适应度的评价包括：
各个所述种群之间并行执行适应度的评价的操作，且所述种群内各个所述个体之间并行执行适应度评价的操作。
其中，所述主机根据所述操作结果获得收敛的最优个体包括：
所述主机根据所述操作结果选出各个所述种群中的最优个体；判断所述最优个体是否收敛，如果否，则再次执行所述FPGA设备对各个所述种群内各个所述个体进行交叉运算和/或变异运算的操作，其中各个种群之间并行执行所述操作，且所述种群内各个所述个体之间并行执行所述操作，直到判断所述最优个体收敛。
其中，判断所述最优个体是否收敛还包括：
如果判断所述最优个体收敛，则算法停止。
其中，所述FPGA设备获取多个待执行遗传算法运算的多个种群数据包括：
所述主机通过PCI-e接口把数据传给DDR内存，所述FPGA设备通过DDR读取多个种群数据。
本发明还提供了一种基于FPGA异构运行遗传算法的系统，包括：
主机和FPGA设备；所述主机，用于主机根据评价结果，对各个所述种群中的所述个体执行选择运算，以便所述种群中各个所述个体的适应度达到预设条件，且各个所述种群具有相同的最优个体；所述主机根据所述操作结果获得收敛的最优个体；
所述FPGA设备和所述主机相连接，用于FPGA设备获取待执行遗传算法运算的多个种群数据；所述FPGA设备对所述种群中的每个个体进行适应度的评价；在执行选择运算后，所述FPGA设备对各个所述种群内各个所述个体执行交叉运算和/或变异运算的操作，其中各个种群之间并行执行所述操作，且所述种群内各个所述个体之间并行执行所述操作。
其中，所述FPGA设备用于各个所述种群之间并行执行适应度的评价的操作，且各个所述种群内各个所述个体之间并行执行适应度评价的操作。
其中，所述主机，用于所述主机根据所述操作结果选出各个所述种群中的最优个体；判断所述最优个体是否收敛，如果否，则再次执行所述FPGA设备对各个所述种群内各个所述个体进行交叉运算和/或变异运算的操作，其中各个种群之间并行执行所述操作，且所述种群内各个所述个体之间并行执行所述操作，直到判断所述最优个体收敛。
其中，所述主机还用于如果判断所述最优个体收敛，则算法停止。
其中，所述主机用于所述主机通过PCI-e接口把数据传给DDR内存；
所述FPGA设备用于所述FPGA设备通过DDR读取多个待执行遗传算法运算的多个种群数据。
本发明所提供的基于FPGA异构运行遗传算法的方法，通过FPGA设备和主机端相配合运行遗传算法，由于遗传算法的每个个体运算所占用的资源并不大，而FPGA的设备所具有的资源较大，能够为种群之间并行运算遗传算法，且种群内的个体也并行运算遗传算法提供的足够的资源，相对于现有粗粒度模型的仅仅各个种群为并行而种群内的个体是串行运算方式，极大的缩短了整个算法收敛的时间，对于细粒度模型，虽然种群内各个个体并行运算遗传算法，但是每次只能对一个种群进行运算，且需要的运行成本也比较高，对遗传算法的应用场景有一定限制，例如对于数据量较大的问题，该模型就无法进行良好的运行遗传算法的操作，本发明可以同时进行多个种群的运算，可以用于解决更为复杂的问题，且不需要采用众核架构这种高成本的设备，所以本发明在提高遗传算法运行效率的同时，降低了遗传算法的运行成本，拓展了遗传算法的应用场景。
本发明还提供了一种基于FPGA异构运行遗传算法的系统，具有上述有益效果。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于FPGA异构运行遗传算法的一种具体实施例的流程图；
图2为本发明提供的最终获得收敛的最优个体一种具体实施例的流程图；
图3为本发明提供的基于FPGA异构运行遗传算法的系统一种实施例的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供的基于FPGA异构运行遗传算法的一种具体实施例的流程图如图1所示，该方法包括：
步骤S101：FPGA设备获取待执行遗传算法运算的多个种群数据。
该种群数据是由主机根据遗传算法具体运用的场景所要解决的问题，确定合适的种群以及种群内的个体最终得到的种群数据。种群的数量以及种群内个体的数量可以根据实际问题的需要而设定，且FPGA设备的规模也可以根据种群的数量具体设定刚好足够提供各个种群运算，有利于FPGA资源的充分利用，提高资源利用率，但这并不是实现本发明的必要技术特征，FPGA设备设计规模偏大也不影响本发明的实现。
步骤S102：所述FPGA设备对所述种群中的每个个体进行适应度的评价，得到评价结果。
步骤S103：主机根据所述评价结果，对各个所述种群中的所述个体执行选择运算。
选择运算是基于适应度的评价结果，删除种群中适应度差的个体，复制适应度好的个体，以保持种群规模不变，至于适应度好坏的评价可以根据情况设定适应度好坏的基准，达到基准认为适应度好，达不到基准，则认为适应度差；再确定各个种群中最优的个体，并将该最优个体迁移至其他种群中，使得各个种群中都具有该最优的个体。
步骤S104：所述FPGA设备对各个所述种群内各个所述个体执行交叉运算和/或变异运算的操作。
其中，各个种群之间并行执行所述操作，且所述种群内各个所述个体之间并行执行所述操作；
需要说明的是，遗传算法中，对种群的运算主要包括适应度的评价、选择运算、交叉运算以及变异运算都属于遗传算法具体的运算过程，而本发明的关键是在于可以将对于每个种群内的个体的运算并行执行，正因为本发明能够并行执行各个种群的运算，也能够并行执行各个种群内的个体的运算，有利于拓展遗传算法的应用场景。
例如，神经网络算法的应用过程中最困难和最耗时部分是神经网络的训练，如果各个种群以及各个种群内的个体串行运行遗传算法，神经网络尤其是深层次神经网络非线性效应会特别明显，存在很多局部最小值，训练过程中，很容易进入局部最小值，这很严重的影响神经网络的应用，采用并行运行遗传算法，具有很好的全局最优特性，能够很好的跳出局部最小值，改善容易陷入局部最优的弊端。
对于遗传算法的对某些具体应用场景而做的相应的变动，例如执行运算的次数、顺序或者只执行选择运算、交叉运算、变异运算中某一个或几个，只要最终遗传算法能够在基于FPGA异构的设备上并行运算遗传算法，都应属于本发明的保护范围。
另外，考虑到交叉运算涉及到个体之间的数据交换，本发明中的FPGA设备可以为种群中的个体之间提供相互通信的功能。
步骤S105：所述主机根据所述操作结果获得收敛的最优个体。
基于上述实施例，对于所述FPGA设备对所述种群中的每个个体进行适应度的评价可以进一步进行限定，本发明提供的另一种具体实施例可以包括：
各个所述种群之间并行执行适应度的评价的操作，且所述种群内各个所述个体之间并行执行适应度评价的操作。
在遗传算法中交叉运算和/或变异运算并行运算的基础上，对种群内的各个个体适应度的评价也执行并行运算，进一步缩短整个遗传算法运算所耗费的时间，提高了运算的效率。
需要说明的是，在遗传算法中，仅仅对各个个体适应度的评价执行并行运算或者仅仅交叉运算和/或变异运算执行并行运算都能够提高整个运算的效率，但是较为优选的方案是对各个个体适应度的评价和交叉运算和/或变异运算都执行并行运算，能够在较大程度上提高运算的效率，也有利于应用于种群规模比较大的运算场景，但这并不是本发明的必要技术特征，仅仅对各个个体适应度的评价执行并行运算或者仅仅交叉运算和/或变异运算执行并行运算，也能提高运算效率，实现本发明的目的。
基于上述实施例，对于最终获得收敛的最优个体的方法，可以进一步改进，参照图2，本发明提供的最终获得收敛的最优个体一种具体实施例的流程图，该实施例中是对步骤S105进一步改进，可以具体包括：
步骤S1051：所述主机根据操作结果选出各个种群中的最优个体。
步骤S1052：判断最优个体是否收敛，如果否，进入步骤S1053，如果是，进入步骤S1054。
步骤S1053：所述FPGA设备对各个种群内各个个体进行交叉运算和/或变异运算的操作，进入步骤S1051。
需要说明的是，步骤S1053和步骤S104是相同的步骤，各个种群之间并行执行所述操作，且所述种群内各个所述个体之间并行执行所述操作。
步骤S1054：主机获得收敛的最优个体。
基于上述实施例，本发明的另一具体实施例中，可以包括：
如果判断所述最优个体收敛，则算法停止。
最优个体收敛，则主机获得收敛的最优个体，所要解决的问题最终找到最优解，则运算可以结束。
基于上述任意实施例，本发明提供的另一具体实施例中，对于所述FPGA设备获取待执行遗传算法运算的多个种群数据可以具体包括：
所述主机通过PCI-e接口把数据传给DDR内存，所述FPGA设备通过DDR读取待执行遗传算法运算的多个种群数据。
需要说明的是，主机和FPGA设备可以是通过PCI-e接口连接的，两者之间的数据传送也是通过PCI-e接口进行的，但这并不是实现主机和FPGA之间信息传送的唯一方式，也可以是两者之间连接有数据传输设备，所以这并不是实现本发明的唯一方式，与此相类似的方式在此不一一赘述。
下面对本发明实施例提供的一种基于FPGA异构运行遗传算法的系统进行介绍，下文描述的一种基于FPGA异构运行遗传算法的系统与上文描述的一种基于FPGA异构运行遗传算法的方法可相互对应参照。
图3为为本发明提供的基于FPGA异构运行遗传算法的系统一种实施例的结构框图，参照图3一种基于FPGA异构运行遗传算法的系统可以包括：
所述主机100，用于主机100根据评价结果，对各个所述种群中的所述个体执行选择运算，以便所述种群中各个所述个体的适应度达到预设条件，且各个所述种群具有相同的最优个体；所述主机100根据所述操作结果获得收敛的最优个体；
所述FPGA设备200和所述主机相连接100，用于FPGA设备200获取待执行遗传算法运算的多个种群数据；所述FPGA设备200对所述种群中的每个个体进行适应度的评价；在执行选择运算后，所述FPGA设备200对各个所述种群内各个所述个体执行交叉运算和/或变异运算的操作，其中各个种群之间并行执行所述操作，且所述种群内各个所述个体之间并行执行所述操作。
基于上述实施例，所述FPGA设备200用于各个所述种群之间并行执行适应度的评价的操作，且各个所述种群内各个所述个体之间并行执行适应度评价的操作。
基于上述实施例，所述主机100用于根据所述操作结果选出各个所述种群中的最优个体；判断所述最优个体是否收敛，如果否，则再次执行所述FPGA设备200对各个所述种群内各个所述个体进行交叉运算和/或变异运算的操作，其中各个种群之间并行执行所述操作，且所述种群内各个所述个体之间并行执行所述操作，直到判断所述最优个体收敛。
基于上述实施例，所述主机100还用于如果判断所述最优个体收敛，则算法停止。
基于上述任意实施例，所述FPGA设备用于所述FPGA设备通过DDR读取多个待执行遗传算法运算的种群数据。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的基于FPGA异构运行遗传算法的方法以及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.一种基于FPGA异构运行遗传算法的方法，其特征在于，包括：
FPGA设备获取待执行遗传算法运算的多个种群数据；
所述FPGA设备对种群中的每个个体进行适应度的评价，得到评价结果；
主机根据所述评价结果，对各个所述种群中的个体执行选择运算，以便各个所述个体的适应度达到预设条件，且各个所述种群具有相同的最优个体；
在执行选择运算后，所述FPGA设备对各个所述种群内各个所述个体执行交叉运算和/或变异运算的操作，其中各个种群之间并行执行所述操作，且所述种群内各个所述个体之间并行执行所述操作；
所述主机根据操作结果获得收敛的最优个体。
2.根据权利要求1所述的方法，其特征在于，所述FPGA设备对种群中的每个个体进行适应度的评价包括：
各个所述种群之间并行执行适应度的评价的操作，且所述种群内各个所述个体之间并行执行适应度的评价的操作。
3.根据权利要求2所述的方法，其特征在于，所述主机根据操作结果获得收敛的最优个体包括：
所述主机根据所述操作结果选出各个所述种群中的最优个体；
判断所述最优个体是否收敛，如果否，则再次执行所述FPGA设备对各个所述种群内各个所述个体进行交叉运算和/或变异运算的操作，直到判断所述最优个体收敛为止。
4.根据权利要求3所述的方法，其特征在于，判断所述最优个体是否收敛还包括：
如果判断所述最优个体收敛，则算法停止。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述FPGA设备获取待执行遗传算法运算的多个种群数据包括：
所述主机通过PCI-e接口把数据传给DDR内存，所述FPGA设备通过DDR读取待执行遗传算法运算的多个种群数据。
6.一种基于FPGA异构运行遗传算法的系统，其特征在于，包括主机和FPGA设备；
所述主机，用于根据评价结果，对各个种群中的个体执行选择运算，以便所述种群中各个所述个体的适应度达到预设条件，且各个所述种群具有相同的最优个体；所述主机根据操作结果获得收敛的最优个体；
所述FPGA设备和所述主机相连接，用于获取待执行遗传算法运算的多个种群数据；对所述种群中的每个个体进行适应度的评价；在执行选择运算后，对各个所述种群内各个所述个体执行交叉运算和/或变异运算的操作，其中各个种群之间并行执行所述操作，且所述种群内各个所述个体之间并行执行所述操作。
7.根据权利要求6所述的系统，其特征在于，所述FPGA设备具体用于各个所述种群之间并行执行适应度的评价的操作，且各个所述种群内各个所述个体之间并行执行适应度的评价的操作。
8.根据权利要求7所述的系统，其特征在于，所述主机具体用于根据所述操作结果选出各个所述种群中的最优个体；判断所述最优个体是否收敛，如果否，则再次执行所述FPGA设备对各个所述种群内各个所述个体进行交叉运算和/或变异运算的操作，直到判断所述最优个体收敛为止。
9.根据权利要求8所述的系统，其特征在于，所述主机还用于如果判断所述最优个体收敛，则算法停止。
10.根据权利要求6至9任一项所述的方法，其特征在于，所述主机用于通过PCI-e接口把数据传给DDR内存；
所述FPGA设备用于通过DDR读取多个待执行遗传算法运算的种群数据。
CN201710575712.XA 2017-07-14 2017-07-14 一种基于fpga异构运行遗传算法的方法及系统 Pending CN107301459A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710575712.XA CN107301459A (zh) 2017-07-14 2017-07-14 一种基于fpga异构运行遗传算法的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710575712.XA CN107301459A (zh) 2017-07-14 2017-07-14 一种基于fpga异构运行遗传算法的方法及系统

Publications (1)

Publication Number Publication Date
CN107301459A true CN107301459A (zh) 2017-10-27

Family

ID=60133938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710575712.XA Pending CN107301459A (zh) 2017-07-14 2017-07-14 一种基于fpga异构运行遗传算法的方法及系统

Country Status (1)

Country Link
CN (1) CN107301459A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109491791A (zh) * 2018-11-09 2019-03-19 华东师范大学 基于申威众核处理器的nsga-ii的主从增强式运行方法及装置
WO2019101836A1 (en) * 2017-11-22 2019-05-31 Deepmind Technologies Limited Population based training of neural networks
US11907821B2 (en) 2019-09-27 2024-02-20 Deepmind Technologies Limited Population-based training of machine learning models

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101789044A (zh) * 2010-01-27 2010-07-28 武汉大学 一种遗传算法的软硬件协同工作实现方法
CN102707271A (zh) * 2012-05-31 2012-10-03 武汉大学 一种利用cmmb信号探测目标的系统及其方法
CN202931321U (zh) * 2012-11-29 2013-05-08 成都林海电子有限责任公司 基于pci-e接口的卫星通信信关站信号解调处理板
CN104751388A (zh) * 2015-03-01 2015-07-01 江西科技学院 一种基于遗传算法的高校排课方法
CN105159850A (zh) * 2015-08-05 2015-12-16 西安电子科技大学 基于fpga的多通道数据传输系统
CN105956663A (zh) * 2016-03-04 2016-09-21 安徽工程大学 异形零件下料的并行排样优化方法
CN106343607A (zh) * 2016-11-04 2017-01-25 郑州大学 一种基于fpga的烟叶分级方法和装置
CN106502935A (zh) * 2016-11-04 2017-03-15 郑州云海信息技术有限公司 Fpga异构加速系统、数据传输方法及fpga
CN106776466A (zh) * 2016-11-30 2017-05-31 郑州云海信息技术有限公司 一种fpga异构加速计算装置及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101789044A (zh) * 2010-01-27 2010-07-28 武汉大学 一种遗传算法的软硬件协同工作实现方法
CN102707271A (zh) * 2012-05-31 2012-10-03 武汉大学 一种利用cmmb信号探测目标的系统及其方法
CN202931321U (zh) * 2012-11-29 2013-05-08 成都林海电子有限责任公司 基于pci-e接口的卫星通信信关站信号解调处理板
CN104751388A (zh) * 2015-03-01 2015-07-01 江西科技学院 一种基于遗传算法的高校排课方法
CN105159850A (zh) * 2015-08-05 2015-12-16 西安电子科技大学 基于fpga的多通道数据传输系统
CN105956663A (zh) * 2016-03-04 2016-09-21 安徽工程大学 异形零件下料的并行排样优化方法
CN106343607A (zh) * 2016-11-04 2017-01-25 郑州大学 一种基于fpga的烟叶分级方法和装置
CN106502935A (zh) * 2016-11-04 2017-03-15 郑州云海信息技术有限公司 Fpga异构加速系统、数据传输方法及fpga
CN106776466A (zh) * 2016-11-30 2017-05-31 郑州云海信息技术有限公司 一种fpga异构加速计算装置及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
石全: "《系统决策与建模》", 31 December 2016 *
赵尉清: "基于的遗传算法的硬件实现技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *
黄乐天 等: "《FPGA异构计算——基于OpenCL的开发方法》", 31 July 2015 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019101836A1 (en) * 2017-11-22 2019-05-31 Deepmind Technologies Limited Population based training of neural networks
US11604985B2 (en) 2017-11-22 2023-03-14 Deepmind Technologies Limited Population based training of neural networks
US11941527B2 (en) 2017-11-22 2024-03-26 Deepmind Technologies Limited Population based training of neural networks
CN109491791A (zh) * 2018-11-09 2019-03-19 华东师范大学 基于申威众核处理器的nsga-ii的主从增强式运行方法及装置
CN109491791B (zh) * 2018-11-09 2021-11-19 华东师范大学 基于申威众核处理器的nsga-ii的主从增强式运行方法及装置
US11907821B2 (en) 2019-09-27 2024-02-20 Deepmind Technologies Limited Population-based training of machine learning models

Similar Documents

Publication Publication Date Title
CN103999056B (zh) 管理工作负载存储器分配的方法、设备和系统
CN103336758B (zh) 一种采用带有局部信息的压缩稀疏行的稀疏矩阵存储方法及基于该方法的SpMV实现方法
CN103593452B (zh) 一种基于MapReduce机制的数据密集型成本优化方法
CN108132838A (zh) 一种图数据处理的方法、装置及系统
CN104123171B (zh) 基于numa架构的虚拟机迁移方法及系统
CN105184367A (zh) 深度神经网络的模型参数训练方法及系统
CN107301459A (zh) 一种基于fpga异构运行遗传算法的方法及系统
CN109062692A (zh) 一种人脸识别深度学习训练平台的优化方法及系统
CN106250933A (zh) 基于fpga的数据聚类的方法、系统及fpga处理器
US8768680B2 (en) Simulator of multi-core system employing reconfigurable processor cores and method of simulating multi-core system employing reconfigurable processor cores
CN107977167A (zh) 一种基于纠删码的分布式存储系统的退化读优化方法
CN110333827A (zh) 一种数据加载装置和数据加载方法
CN105637482A (zh) 基于gpu的数据流处理方法和装置
US20150081263A1 (en) Production simulation apparatus and production simulation method
CN116954929A (zh) 一种实时迁移的动态gpu调度方法及系统
CN108615262A (zh) 一种基于gpu的海量模型并行碰撞检测方法
CN107391230A (zh) 一种确定虚拟机负载的实现方法和装置
CN105279007B (zh) 多核处理器的模拟方法及装置
CN109189343A (zh) 一种元数据落盘方法、装置、设备及计算机可读存储介质
CN109947531B (zh) 超融合一体机的存储容量扩展方法、装置及存储介质
CN106293936A (zh) 一种物理主机虚拟内存的局部最优解的确定方法及装置
CN103246584B (zh) 片上系统芯片结构及保存调试信息的方法
CN109800867A (zh) 一种基于fpga片外存储器的数据调用方法
CN109376043A (zh) 一种设备监测的方法和装置
CN111695688B (zh) 一种模型训练方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171027