Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Buchtitelbild

2015 | OriginalPaper | Buchkapitel

1. A GPU-Enabled Parallel Genetic Algorithm for Path Planning of Robotic Operators

verfasst von : Panpan Cai, Yiyu Cai, Indhumathi Chandrasekaran, Jianmin Zheng

Erschienen in: GPU Computing and Applications

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Genetic algorithm (GA) is a class of global optimization algorithm inspired by the Darwinian biological evolution. It is widely applied in the field of robotic path planning. Parallel GA (PGA) is a subclass of GA which is able to achieve good solutions in a short time. This chapter discusses the utilization of a PGA in determining collision-free path for robotic operators. GPU-style genetic operators are designed to speed up the GA process while improving the quality of solutions. GPU parallelization for a master–slave parallel GA (MSPGA) is implemented by parallelizing the selection, crossover and mutation operators.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Nächstes Kapitel Real-Time Deformation of Constrained Meshes Using GPU
Literatur
1.
Goldberg, D. E.: Simple genetic algorithms and the minimal, deceptive problem. In: Davis, L. (ed.) Genetic algorithms and simulated annealing, pp. 74–88. Pitman, London (1987)
2.
Goldberg, D.E.: Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-wesley Reading, Menlo Park, CA (1989)MATH
3.
Holland, J.H.: Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence. MIT Press, Cambridge, MA (1992). ISBN 0262581116
4.
Sanders, J., Kandrot E.: CUDA by Example: An Introduction to General-Purpose GPU Programming. Addison-Wesley Professional (2010). ISBN: 0132180138
5.
6.
Goldberg, D. E., Deb, K.: A comparative analysis of selection schemes used in genetic algorithms. In: Foundations of Genetic Algorithms, vol. 51, 61801–62996 (1991)
7.
Miller, B.L., Goldberg, D.E.: Genetic algorithms, selection schemes, and the varying effects of noise. Evol. Comput. 4(2), 113–131 (1996)CrossRef
8.
Goldberg, D.E., et al.: Messy genetic algorithms: Motivation, analysis, and first results. Complex Syst. 3(5), 493–530 (1989)MATH
9.
Goldberg, D. E., et al.: On the supply of building blocks. In: Proceedings of the Genetic and Evolutionary Computation Conference, Citeseer, pp.336–342 (2001)
10.
Nowostawski, M. and Poli R.: Parallel genetic algorithm taxonomy. In: IEEE Third International Conference on Knowledge-Based Intelligent Information Engineering Systems, pp. 88–92 (1999)
11.
Ismail, M. A.: Parallel genetic algorithms (PGAs): master slave paradigm approach using MPI. In: IEEE E-Tech 2004, pp. 83–87 (2004)
12.
Fujimoto, N., Tsutsui. S.: Parallelizing a Genetic Operator for GPUs. In: 2013 I.E. Congress on Evolutionary Computation (CEC), pp. 1271–1277 (2013)
13.
Pospíchal, P., et al. Parallel genetic algorithm on the cuda architecture. In: Applications of Evolutionary Computation, pp. 442–451. Springer, Heidelberg (2010)
14.
Feier, M. C., et al.: Solving NP-Complete Problems on the CUDA Architecture Using Genetic Algorithms. In: IEEE 2011, 10th International Symposium on Parallel and Distributed Computing (ISPDC), pp. 278–281 (2011)
15.
Jaros, J.: Multi-GPU island-based genetic algorithm for solving the knapsack problem. In: 2012 I.E. Congress on Evolutionary Computation (CEC), pp. 1–8 (2012)
16.
Munawar, A., et al.: Advanced genetic algorithm to solve minlp problems over GPU. In: 2011 I.E. Congress on Evolutionary Computation (CEC), pp. 318–325 (2011)
17.
Arora, R., et al.: Parallelization of binary and real-coded genetic algorithms on GPU using CUDA. In: 2010 I.E. Congress on Evolutionary Computation (CEC), pp. 1–8 (2010)
18.
Oiso, M., et al.: Accelerating steady-state genetic algorithms based on CUDA architecture. In: 2011 I.E. Congress on Evolutionary Computation (CEC), pp. 687–692 (2011)
19.
Wang, K., Shen, Z.: A GPU-based parallel genetic algorithm for generating daily activity plans. IEEE Trans. Intell. Transp. Syst. 13(3), 1474–1480 (2012)CrossRef
20.
NVidia, C.: C programming guide version 3.2. NVIDIA Corporation, Santa Clara, CA (2010)
21.
Renders, J.M., Flasse, S.P.: Hybrid methods using genetic algorithms for global optimization. IEEE Trans. Syst. Man. Cybern. B Cybern. 26(2), 243–258 (1996)CrossRef
22.
Safe, M., et al.: On stopping criteria for genetic algorithms. In: Advances in Artificial Intelligence–SBIA, 405–413 (2004)
Metadaten
Titel
A GPU-Enabled Parallel Genetic Algorithm for Path Planning of Robotic Operators
verfasst von
Panpan Cai
Yiyu Cai
Indhumathi Chandrasekaran
Jianmin Zheng
Copyright-Jahr
2015
Verlag
Springer Singapore
Buch
GPU Computing and Applications

Print ISBN: 978-981-287-133-6

Electronic ISBN: 978-981-287-134-3

Copyright-Jahr: 2015

DOI
https://doi.org/10.1007/978-981-287-134-3_1

Neuer Inhalt

    Bildnachweise