Általános célú evolúciós eljárások megvalósítása FPGA-n

OData támogatás
Konzulens:
Kovács Dániel László
Méréstechnika és Információs Rendszerek Tanszék

Az elmúlt évtizedek során az evolúciós számítási módszereket, azon belül is a genetikus algoritmusokat általános felépítésüknek köszönhetően számtalanszor alkalmazták analitikusan nehezen kezelhető, vagy kezelhetetlen optimalizálási problémák globálisan optimális megoldásának közelítésére. Ezen algoritmusok meglehetősen számításigényesek, viszont felépítésükből következően igen jól párhuzamosíthatóak.

A munkámban rámutatok arra, hogy a genetikus algoritmusok futási ideje jelentősen csökkenthető egy masszív párhuzamosítást támogató architektúrán, ami által az algoritmus gyakorlatban való felhasználási területe kiszélesíthető.

Az FPGA-k (Field Programmable Gate Array) architektúrájukból fakadóan támogatják a nagymértékű párhuzamosítást, ill. újraprogramozható jellegüknek köszönhetően alkalmasak közvetlen hardveres realizáció prototípusának költséghatékony megvalósítására. Dolgozatomban bemutatásra kerül a genetikus algoritmus egy általános célú, FPGA-ban implementált prototípusa a benne rejlő lehetőségekkel, illetve korlátozásokkal. A megvalósított prototípus akár egy szimuláció hardveres gyorsítójaként vagy egy összetett rendszer valós idejű döntéstámogató alrendszereként is alkalmazható, nagyságrendekkel gyorsabb működést biztosítva, mint a tisztán szoftveres megvalósítások.

A rendszer moduláris felépítésének köszönhetően az alkalmazás helyén megfelelő szaktudás birtokában probléma-specifikus fitneszszámító egység fejleszthető hozzá. Ugyanakkor e fejlesztés elkerülése érdekében egy esettanulmány keretein belül bemutatok egy nemlineáris optimalizálási feladatokra általánosan használható fitneszszámító modult.

Munkámat az elért teszt-eredmények ismertetésével és értékelésével, majd pedig a munka összefoglalásával és a továbbfejlesztési irányokra adott kitekintéssel zárom.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.