مقاله انگلیسی یک چارچوب تحلیلی برای بهینه سازی ازدحام ذرات سخت افزاری با سرعت بالا (2020 الزویر)

تکنیک های بهینه سازی مهندسی از لحاظ محاسباتی فشرده هستند و می توانند اجرای سیستم های تعبیه شده با محکم را به چالش بکشند. بهینه سازی ذرات ذرات (PSO) یک الگوریتم شناخته شده زیست الهام گرفته از زیست شناختی است که در برنامه های مختلف از جمله حمل و نقل ، روباتیک ، انرژی و غیره اتخاذ می شود. در این مقاله یک پردازنده سخت افزاری پر سرعت PSO با محوریت عملکرد بهتر ارائه می شود. پیاده سازی های مدرن مشابه علاوه بر این ، تحقیقات شامل ایجاد یک چارچوب تحلیلی است که ویژگی های گسترده اجرای الگوریتم بهینه سازی را در سخت افزار و نرم افزار با استفاده از شاخص های ناهمگن ساده و ترکیبی کلیدی ضبط می کند. این چارچوب شاخص تناسب اندام بهینه سازی ترکیبی را پیشنهاد می کند که می تواند عملکرد اهداف پیاده سازی PSO را هنگام هدف قرار دادن توابع ارزیابی مختلف ، طبقه بندی کند. این دو سیستم پردازش هدفمند عبارتند از Field Programmable Gate Arrays برای پیاده سازی سخت افزار و یک کامپیوتر چند هسته ای با رده بالا برای پیاده سازی نرم افزار. این تحقیق موفقیت موفقیت آمیز پردازنده PSO را با ویژگی های عملکردی جذاب که نسبت به عملکردهای اخیراً ارائه شده تأیید می کند ، تأیید می کند. اجرای سخت افزار پیشنهادی به 23.300 بهبود نسبت زمان اجرا با عملکرد ارزیابی بیضوی دست می یابد. علاوه بر این ، یک عملکرد 1777 بار با عملکرد Shifted Schwefels حاصل می شود. در واقع ، چارچوب توسعه یافته با موفقیت طبقه بندی پیاده سازی PSO با توجه به خواص متعدد و ناهمگن برای انواع عملکردهای معیار.

1. مقدمه

بهینه سازی یک مفهوم مهم در حوزه مهندسی است [1] ، [2] ، [3] ، [4]. در واقع ، تمام برنامه های مهندسی برای تحقق محصول نهایی نوعی بهینه سازی را شامل می شوند. بهینه سازی شامل کاهش هزینه ، مصرف برق ، تأخیر در زمان یا افزایش بازده ، سود ، کیفیت راه حل و غیره می باشد زیرا مشکلات مهندسی به چالش کشیده تر تبدیل می شوند. با خصوصیاتی مانند اندازه بزرگ ، ناپیوستگی ، عدم تمایز ، غیر خطی بودن ، چند عینی بودن و انواع متغیر مختلط. توسعه پارادایم های بهینه سازی جدید که می توانند در زمان کمتری به راه حلهای قابل قبول برسند ، ضروری است.

متا اکتشافی پارادایم بهینه سازی اساسی و قابل توجهی است که می تواند برای مقابله با مشکلات مهندسی امروزی استفاده شود. یک کلاس بزرگ از فراشناختی الگوریتم های مبتنی بر جمعیت است که تعداد راه حل ها را در طی تعدادی از تکرارها به روز می کند تا زمانی که برخی از شرایط متوقف شود. الگوریتم های مبتنی بر جمعیت بر اساس الهام بخش از برنامه به روز رسانی جمعیت طبقه بندی می شوند. این دسته ها شامل الگوریتم های Evolutionary و الگوریتم های Swarm Intelligence هستند. با توجه به حجم کار محاسباتی سنگین که بهینه سازی را با الگوریتم های مبتنی بر جمعیت تشکیل می دهد ، سرعت محاسباتی برای حل بسیاری از مشکلات پویا و در زمان واقعی با الگوریتم های تکاملی و الگوریتم های هوش Swarm مهم است. به عنوان مثال ، برنامه ریزی منابع رادیویی برای نسل های اخیر شبکه های ارتباطی بی سیم نیاز به تصمیمی دارد که در سطح نانو ثانیه ای اتخاذ شود ، که با زیرساخت های محاسباتی معمولی قابل اجرا نیست [5] ، [6]. تحقیقات بیشتر در طی دو دهه گذشته به منظور سرعت بخشیدن به اجرای چنین الگوریتم هایی انجام شده است ، خواه با دستکاری پارامترها ، تولید نسخه های متعدد / توزیع شده یا اجرای آنها بر روی سخت افزار خاص.

توجه؛ (این ترجمه توسط نرم افزار انجام شده و ویرایش نشده است و احتمال وجود اشتباه در آن وجود دارد. در صورت ثبت سفارش، ترجمه توسط مترجمین مجرب انجام خواهد شد. برای مشاهده نمونه ترجمه های تخصصی و اخیر مترجمین جهت اطمینان از کیفیت ترجمه، اینجا کلیک نمایید.)

Abstract

Engineering optimization techniques are computationally intensive and can challenge implementations on tightly-constrained embedded systems. Particle Swarm Optimization (PSO) is a well-known bio-inspired algorithm that is adopted in various applications, such as, transportation, robotics, energy, etc. In this paper, a high-speed PSO hardware processor is developed with focus on outperforming similar state-of-the-art implementations. In addition, the investigation comprises the development of an analytical framework that captures wide characteristics of optimization algorithm implementations, in hardware and software, using key simple and combined heterogeneous indicators. The framework proposes a combined Optimization Fitness Indicator that can classify the performance of PSO implementations when targeting different evaluation functions. The two targeted processing systems are Field Programmable Gate Arrays for hardware implementations and a high-end multi-core computer for software implementations. The investigation confirms the successful development of a PSO processor with appealing performance characteristics that outperforms recently presented implementations. The proposed hardware implementation attains 23,300 improvement ratio of execution times with an elliptic evaluation function. In addition, a speedup of 1777 times is achieved with a Shifted Schwefels function. Indeed, the developed framework successfully classifies PSO implementations according to multiple and heterogeneous properties for a variety of benchmark functions.

1.Introduction

Optimization is an important concept in the engineering domain [1], [2], [3], [4]. Indeed, all engineering applications involve some sort of optimization in order to realize the final product. Optimization involves reducing cost, power consumption, time delay or increases the yield, profit, quality of solution, etc. As engineering problems became more challenging; with properties such as large size, discontinuity, non-differentiability, non-linearity, multi-objectiveness, and mixed variable types; it becomes essential to develop new optimization paradigms that can reach acceptable solutions in less time.

Meta-heuristics is a substantial and considerably important optimization paradigm that can be used to tackle nowadays engineering problems. A major class of meta-heuristics is Population-based algorithms, which update a population of solutions over a number of iterations until some stopping condition is satisfied. Population-based algorithms are categorized based on the inspiration behind their population update scheme. These categories include Evolutionary Algorithms and Swarm Intelligence algorithms. Due to the heavy computational workload constituting of optimization with population-based algorithms, computational speed matters for solving many dynamic and real-time problems with Evolutionary Algorithms and Swarm Intelligence algorithms. For example, radio resource scheduling for recent generations of wireless communication networks requires a decision to be made within nano-seconds level, which is not viable with conventional computing infrastructures [5], [6]. Further research has been conducted over the past two decades in order to speed up the execution of such algorithms, whether by manipulating parameters, developing multiple/distributed versions or implementing them on specific hardware.