Exploração do Espaço de Projeto do Dragão Limão

Slides:



Advertisements
Apresentações semelhantes
Estatística: Aplicação ao Sensoriamento Remoto ANO 2010
Advertisements

Parte II - Sistemas de Aprendizado: Overview Seminários 2007 – 2º Semestre Maíra Gatti.
INTRODUÇÃO À COMPUTAÇÃO Sistemas Operacionais
Fluxo em Redes Prof. Ricardo R. Santos.
Busca Informada Parte 3 – Algoritmos Genéticos
gerador de código intermediário
Algoritmos Genéticos Problema das 8 Rainhas Algoritmo Genético
Aspectos de Implementação do Algoritmo Backpropagation
Ronaldo Gilberto de Oliveira
Fundamentos dos Algoritmos Genéticos Alex F. V. Machado.
Algoritmos Genéticos Alex F. V. Machado. Algoritmos Genéticos Quanto melhor um indivíduo se adaptar ao seu meio ambiente, maior será sua chance de sobreviver.
Algoritmos Genéticos Alex F. V. Machado.
Algoritmos Genéticos Marcone Jamilson Freitas Souza
Medida do Tempo de Execução de um Programa
Otimização de Funções Contínuas via Algoritmos Genéticos Adaptado do trabalho realizado por: Frederico Heitor Mônica do Amaral.
Reconhecimento de Padrões Seleção de Características
Inteligência Computacional para Otimização Marcone Jamilson Freitas Souza Departamento de Computação Universidade Federal de Ouro Preto
Otimização de Funções Contínuas via Algoritmos Genéticos
Medida do Tempo de Execução de um Programa
Inteligência Computacional para Otimização
Segmentação de Escrita
Inteligência Artificial
Algoritmos Genéticos Rômulo Ferreira Douro.
MAPA DE KARNAUGH O Mapa de Karnaugh é uma ferramenta de auxílio à minimização de funções booleanas. O próprio nome mapa vem do fato dele ser um mapeamento.
Algoritmos Genéticos – Capítulo 11
Algoritmos Genéticos - Capítulo 10 Representação Numérica
Programação Dinámica Análise de algoritmos UNISUL
Inteligência Artificial
INF 1771 – Inteligência Artificial
Trabalho CAPA 1ª Parte – Apresentação da Organização e Conceitos de Qualidade Nome da Organização Descrição da Organização O que é qualidade para a empresa?
Problemas Numéricos com Representação por Números Reais
Buscas em Grafos Prof. André Renato 1º Semestre/2012
Capacitores para Sistemas de Potência
Controle de parâmetros em algoritmos evolucionários
Conceitos básicos Algoritmo Usado para a solução de problemas
INTRODUÇÃO AO PROGRAMA Janaina Costa Oliveira
Informática Teórica Engenharia da Computação
1 Programa de Engenharia Elétrica - PEE/COPPE/UFRJ Universidade Federal do Rio de Janeiro TCAM Table Resource Allocation for Virtual Openflow Switch Imen.
Pesquisa em memória primária: hashing
Comparação entre os métodos de ordenação
Desempenho de Algoritmos Genéticos
SISTEMAS OPERACIONAIS
Algoritmos paralelos eficientes para alguns problemas de processamento de Cadeia de Caracteres Alunos: Diego Alencar dos Santos Melo Felipe Formagini Brant.
Aula 03 – BCC202 Análise de Algoritmos (Parte 1) Túlio Toffolo www
Solucionar de forma otimizada os problemas que exijam alto esforço computacional e assim assegurar a satisfação dos clientes.
Sistemas Operacionais
Desenvolvimento de Jogos e Entretenimento Digital
Aula T06 – BCC202 Análise de Algoritmos (Parte 4) Túlio Toffolo
Introdução e Busca Cega
Anne Magály de PaulaCanuto DIMAp/UFRN
Algoritmos Evolutivos Algoritmos Genéticos Introdução
Algoritmos Genéticos Ricardo Prudêncio.
Síntese de voz utilizando avatares GPVoz Gabriel de Albuquerque Styve Stallone.
PROBLEMA DO EMPACOTAMENTO
Sistemas Baseados em Aprendizado (Aprendizado de Máquina)
Inteligência Artificial
 Solucionar de forma otimizada os problemas que exijam alto esforço computacional e assim assegurar a satisfação dos clientes.
Provas Datas: – P1 : 18/09/2014 – P2: 18/11/2014 – Exame : 09/12/2014.
Algoritmos FPT para o Problema da k-Cobertura por Vértices
Resolução de Problemas Sistemas de Produção Prof. Cláudio M. N. A. Pereira.
Algoritmos Genéticos Ricardo Prudêncio.
Computação Evolutiva Nome dado ao estudo de algoritmos cuja inspiração é o processo de evolução natural das espécies. Origem: trabalho de um pesquisador.
Marcos Corrêa Neves Gilberto Câmara Renato M. Assunção
Capítulo 5 Entrada/Saída 5.1 Princípios do hardware de E/S
Algoritmos Genéticos Uma visão geral do método Cláudio M. N. A. Pereira.
Taís Sineiro Herig Laboratório de Genômica e Expressão / UNICAMP
Métodos Populacionais. Mantém um conjunto de soluções candidatas e não só uma solução Cada solução será modificada e avaliada Hill-Climbing paralelos.
Comportamento Assintótico
1 Problemas Numéricos com Representação por Números Reais Prof. Marco Aurélio C. Pacheco.
Universidade do Sul de Santa Catarina Ciência da Computação Técnicas de Inteligência Artificial Aula 10 Algoritmos Genéticos Max Pereira.
Transcrição da apresentação:

Exploração do Espaço de Projeto do Dragão Limão Renato Hentschke renato@inf.ufrgs.br Exploração do espaço de projeto de aplicações descritas em um grafo. Baseia-se em uma biblioteca de componentes. Usa algoritmos genéticos para realizar a busca.

Roteiro Fluxo da ferramenta Exemplo de entrada Método de busca Exemplo de saída Curvas de Paretto Trabalhos Futuros

Parâmetros do Algoritmo GUI Serial ou Paralelo Parâmetros do Algoritmo Genético Pesos de Otimização Potência, Atraso, Área Arquivos Trace do Programa Mapeado Componentes Curvas De Paretto (2D e 3D) Trace da Aplicação

Trace da Aplicação 1 Seno 3 Sort 3 Sort 15 Tabela 1 Cos 15 RotinaX

Entrada de Dados Aplicação pode ser executada em paralelo ou não. N Proc. Tipo de solução desejada em área, potência e timing. Pesos Busca Rotinas Biblioteca Escolha das variáveis para encontrar curvas de Paretto. Paretto Configuração do algoritmo genético: tamanho da população, taxa de crossover/mutação, etc. Alg. Gen. Grafo Aplicação

Mecanismo de Busca Algoritmo Mapeamento Genético Inicial Solução “ótima” Busca Exaustiva

Saída do programa 1 SenoLUT 3 QuickSort 3 MergeSort 15 TabelaHash 1 CosLUT 15 RotinaX_ImplA 1 Seno 3 Sort 3 Sort 15 Tabela 1 Cos 15 RotinaX

Curvas de Paretto (2D x 3D) 1) Escolha de duas variáveis entre área, potência e timing. 1) Escolha a ordem das três variáveis. Ex: timing e potência Ex: timing, potência e área 2) Durante a busca, guarda a potência ótima encontrada para cada variação de timing. 2) Durante a busca, guarda a área ótima encontrada para cada par timing/potência. 3) Ao final, têm-se o mapeamento que atinge a mínima área para cada variação de timing/potência. 3) Ao final, têm-se o mapeamento que atinge a mínima potência para cada variação de timing.

Curvas de Paretto (2D x 3D) Power x Timing Power x Timing x Area

Curvas de Paretto (Busca) Mapeamento Inicial Paretto Algoritmo Genético Encontra todos os pontos da curva garantidamente Encontra os “principais” pontos da curva. Solução “ótima” Busca Exaustiva O tempo de CPU das buscas aumenta cerca de 20% ao procurar pelas curvas de Paretto Paretto

Curvas de Paretto (saída) 1 SenoLUT 3 QuickSort 3 MergeSort 15 TabelaHash 1 CosLUT 15 RotinaX_ImplA

Trabalhos Futuros Usar a ferramenta com exemplos reais de aplicações Técnicas de busca mais rápidas Número fixo de processadores