Resumen

Se propone un algoritmo genético multigrupo basado en GPU, que paraleliza el algoritmo genético tradicional con un modelo de isla de arquitectura de grano grueso. La población original se divide en varias subpoblaciones para simular distintos entornos vitales y aumentar así la riqueza de especies. Para cada subpoblación se adoptaron diferentes tasas de mutación y se optimizaron los resultados del cruce combinando el método de cruce basado en la distancia. Se adoptó la estrategia de mutación adaptativa basada en el número de generaciones para evitar que el algoritmo cayera en la solución óptima local. Se adoptó una estrategia de élite para que los individuos sobresalientes conservaran sus genes superiores. El algoritmo se implementó con CUDA/C, combinado con la potente capacidad de cálculo paralelo de las GPU, lo que mejoró enormemente la eficiencia computacional. Proporcionó una nueva solución al problema TSP.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:potentes capacidades de computación paralela, algoritmo genético multigrupo, estrategia de mutación adaptativa, modelo de isla arquitectónica, diferentes entornos vitales, diferentes tasas de mutación, solución óptima local, algoritmo genético tradicional, algoritmo, problema tsp
• Keywords:powerful parallel computing capabilities, multigroup genetic algorithm, adaptive mutation strategy, architecture island model, different living environments, different mutation rates, local optimal solution, traditional genetic algorithm, algorithm, tsp problem