Telefone/Ramal: | (98) 2016-8166/8942 |
Avaliação de Desempenho de Metaheurísticas Usando o Paralelismo do TensorFlow e Torch
Processamento Paralelo. Metaheurísticas. GPUs. Otimização.
A otimização computacional tem se tornado um desafio crítico em engenharia e inteligência artificial, especialmente
no contexto da computação paralela, devido à alta complexidade das soluções e à demanda intensiva por recursos
computacionais. As metaheurísticas, como Particle Swarm Optimization (OEP), Cuckoo Search (BC), Differential
Evolution (ED) e Genetic Algorithms (AG), são abordagens eficazes que combinam busca local e global para
explorar grandes espaços de solução. No entanto, a execução dessas técnicas pode ser computacionalmente
onerosa, exigindo estratégias eficientes para paralelização. Este trabalho avalia o desempenho de metaheurísticas
paralelizadas utilizando TensorFlow e PyTorch em funções de otimização benchmark, analisando métricas como
speedup e eficiência entre CPU e GPU. Foram empregadas técnicas como tf.distribute.MirroredStrategy, que replica
tensores em múltiplos dispositivos dentro do strategy.scope, e, no PyTorch, a estratégia device = torch.device(’cuda’),
permitindo que operações como torch.rand, torch.cat, torch.argsort e torch.where sejam distribuídas eficientemente.
Os experimentos demonstram o impacto do paralelismo na busca por soluções globais e locais, destacando o papel
das GPUs e arquiteturas paralelas na otimização computacional. A análise técnica fornece subsídios para a escolha
das tecnologias mais adequadas em aplicações críticas, onde o uso de paralelismo é justificado pela necessidade de
resolver problemas de alta dimensionalidade e complexidade.