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.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Sobre problemas de Fekete-Szegö para ciertas subclases de funciones analíticas definidas por un operador diferencial que involucra al operador -Ruscheweyh.
Artículo:
Método Bootstrap Parsimonioso para Modelar Series de Energía de Entrada Natural
Artículo:
Unicidad y Existencia de Soluciones Positivas para Sistemas Diferenciales Singulares con Problemas de Valor Límite Integral Acoplados
Artículo:
Un Nuevo Método Iterativo de Extragradiente Híbrido para Aproximar las Soluciones Comunes de un Sistema de Desigualdades Variacionales, un Problema de Equilibrio Mixto y un Problema Jerárquico de Punto Fijo
Artículo:
Existencia y unicidad de soluciones débiles para una nueva clase de problemas de optimización convexa relacionados con el análisis de imágenes.