Banca de DEFESA: MARIO DIEGO FERREIRA DOS SANTOS

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : MARIO DIEGO FERREIRA DOS SANTOS
DATA : 30/04/2021
HORA: 09:00
LOCAL: meet.google.com/ukp-cwou-wdc
TÍTULO:

Estudo comparativo sobre meta-heurísticas em GPU para clusterização de dados

PALAVRAS-CHAVES:

Clusterização, GPU, Meta-heurística

PÁGINAS: 100
RESUMO:

Clusterização é uma classe fundamental de problemas com inúmeras aplicações em muitas áreas do conhecimento, incluindo: bioinformática, visão computacional, mineração de dados, mineração de texto e agrupamento de páginas na Web. Dado um conjunto de n objetos, a clusterização objetiva agrupar automaticamente tais objetos em k grupos, geralmente disjuntos, denominados clusters ou agrupamentos utilizando uma medida de similaridade preestabelecida. Problemas de clusterização em geral têm alta complexidade computacional e envolvem uma grande quantidade de dados de entrada. Dessa forma, o uso de arquiteturas paralelas como Graphics Processing Units (GPUs) são alternativas interessante para acelerar o processo de clusterização. Neste trabalho, conduzimos um estudo comparativo de meta-heurísticas aceleradas por GPU para agrupamento de dados. Três meta-heurísticas populacionais foram implementadas na GPU: Particle Swarm Optimization (PSO), Differential Evolution (DE) e Scatter Search (SS). A implementação dessas meta-heurísticas foi dividida em duas partes: a parte independente do problema e a parte dependente problema. A parte independente do problema se refere aos operadores de seleção, reposição e combinação de cada meta-heurística, enquanto que a parte dependente se refere a função objetivo. A parte independente foi implementada usando o framework libCudaOptimize, e a parte dependente foi criada transformando o problema clusterização em um problema de otimização global sujeito a restrições de caixa. As meta-heurísticas propostas foram comparadas com o melhor algoritmo de clusterização da atualidade considerando eficiência do tempo de execução e a qualidade da solução. Os resultados indicam que o PSO baseado em GPU (GPU-PSO) obteve os melhores resultados em comparação com as outras meta-heurísticas baseadas em GPU e o melhor método da atualidade. Além disso, nossa implementação em GPU da função objetivo obteve um speedup médio de 175x sobre a versão sequencial. Esses resultados demonstram que uma abordagem de GPU para o problema de clusterização é muito promissora.

MEMBROS DA BANCA:
Presidente - 1803490 - BRUNO COSTA E SILVA NOGUEIRA
Interno - 1114959 - RIAN GABRIEL SANTOS PINHEIRO
Interno - 2343385 - ERICK DE ANDRADE BARBOZA
Externo à Instituição - ERMESON CARNEIRO DE ANDRADE - UFRPE