《表2 不同种群规模GA-DPD和GPU-GADPD算法计算时间对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于GPU加速遗传算法的直接定位研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了验证GPU-GADPD算法针对不同种群规模的加速效果，设置采样点数N=210，得到随着种群规模增加两种算法的执行时间以及加速比结果，如表2所示，并根据表2得到图6所示加速效果。首先从表中可以看出，GA-DPD算法的执行时间与种群规模基本呈线性关系，种群规模增加一倍，执行时间也增加约一倍，这是GA-DPD算法单线程执行方式所导致。而本文所提出的GPU-GADPD算法执行时间并不会随着种群规模增加而呈线性增加。只有当种群规模增加到足够大以后，算法执行时间才会随着种群规模翻倍而成倍增加。通过图6可以直观地看到，随着种群规模增加，所提算法的加速增益越来越明显，最高加速增益可达40倍以上，当种群规模增加到一定程度后，加速比值趋于稳定。因此本文所提出的基于GPU并行加速设计的GPU-GADPD算法能够带来较好的加速效果，证明了所提算法的有效性。应当说明的是，限于实验条件限制，本文所采用的英伟达公司Ge Force系列显卡属于普通级显卡，并不是进行并行计算的专用显卡，若采用该公司的Quadro系列甚至Tesla系列高性能专业显卡，相信本文所提算法的加速效果将会更加明显。