[pt] Um dos principais desafios da ciência da computação é conseguir que um
computador execute uma tarefa que precisa ser feita, sem dizer-lhe como fazê-la. A
Programação Genética (PG) aborda este desafio a partir de uma declaração de alto
nível sobre o que é necessário ser feito e cria um programa de computador para
resolver o problema automaticamente. Nesta dissertação, é desenvolvida uma
extensão do modelo de Programação Genética Linear com Inspiração Quântica
(PGLIQ) com melhorias na eficiência e eficácia na busca de soluções. Para tal,
primeiro o algoritmo é estruturado em um sistema de paralelização heterogênea
visando à aceleração por Unidades de Processamento Gráfico e a execução em
múltiplos processadores CPU, maximizando a velocidade dos processos, além de
utilizar técnicas otimizadas para reduzir os tempos de transferências de dados.
Segundo, utilizam-se as técnicas de Visualização Gráfica que interpretam a
estrutura e os processos que o algoritmo evolui para entender o efeito da
paralelização do modelo e o comportamento da PGLIQ. Na implementação da
paralelização heterogênea, são utilizados os recursos de computação paralela como
Message Passing Interface (MPI) e Open Multi-Processing (OpenMP), que são de
vital importância quando se trabalha com multi-processos. Além de representar
graficamente os parametros da PGLIQ, visualizando-se o comportamento ao longo
das gerações, uma visualização 3D para casos de robôtica evolutiva é apresentada,
na qual as ferramentas de simulação dinâmica como Bullet SDK e o motor gráfico
OGRE para a renderização são utilizadas. / [en] One of the main challenges of computer science is to get a computer execute
a task that must be done, without telling it how to do it. Genetic Programming (GP)
deals with this challenge from a high level statement of what is needed to be done
and creates a computer program to solve the problem automatically. In this
dissertation we developed an extension of Quantum-Inspired Linear Genetic
Programming Model (QILGP), aiming to improve its efficiency and effectiveness
in the search for solutions. For this, first the algorithm is structured in a
Heterogeneous Parallelism System, Aiming to accelerated using Graphics
Processing Units GPU and multiple CPU processors, reducing the timing of data
transfers while maximizing the speed of the processes. Second, using the techniques
of Graphic Visualization which interpret the structure and the processes that the
algorithm evolves, understanding the behavior of QILGP. We used the highperformance
features such as Message Passing Interface (MPI) and Open Multi-
Processing (OpenMP), which are of vital importance when working with multiprocesses,
as it is necessary to design a topology that has multiple levels of
parallelism to avoid delaying the process for transferring the data to a local
computer where the visualization is projected. In addition to graphically represent
the parameters of PGLIQ devising the behavior over generations, a 3D visualization
for cases of evolutionary robotics is presented, in which the tools of dynamic
simulation as Bullet SDK and graphics engine OGRE for rendering are used . This
visualization is used as a tool for a case study in this dissertation.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:27791 |
| Date | 27 October 2016 |
| Creators | CRISTIAN ENRIQUE MUNOZ VILLALOBOS |
| Contributors | MARCO AURÉLIO CAVALCANTI PACHECO |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0024 seconds