dc.contributor.author | Lima, Denis Pereira | |
dc.date.accessioned | 2023-04-03T17:55:40Z | |
dc.date.available | 2023-04-03T17:55:40Z | |
dc.date.issued | 2022-12-07 | |
dc.identifier.citation | LIMA, Denis Pereira. Framework para investigação de mapeamentos de aplicações em arquiteturas manycore. 2022. Tese (Doutorado em Ciência da Computação) – Universidade Federal de São Carlos, São Carlos, 2022. Disponível em: https://repositorio.ufscar.br/handle/ufscar/17580. | * |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/17580 | |
dc.description.abstract | This thesis proposes an implementation of a framework for mapping graphs onto manycore architectures with multi-objective metrics optimization. The aim is to propose a new approach in relation to the works found in the related literature. To validate this proposal, the following are presented: a calibration methodology and multi-objective mapping of tasks related to pattern detection in high-resolution images (binary and grayscale), and a proposal for a new self-adaptive methodology to be used in multi-objective algorithms for mapping applications for manycore architectures. The results obtained through the pattern detection and task mapping methodology on manycore architectures demonstrate a high rate of generalization and accuracy. This brings a new contribution regarding the use of the evaluated multi-objective algorithms, with the best performance obtained by the PESAII algorithm, which was not previously reported in the literature. The methodology related to the mapping and use of the self-adaptive strategy represents a complete study with the Hypervolume and IGD performance indicators, proving the greater effectiveness of PESAII for the Hypervolume metric. This also makes a new contribution regarding the NSGAIII and SPEA2 algorithms regarding the metric IGD, demonstrating the improvement of the obtained results in the use of the proposed self-adaptive strategy. | eng |
dc.description.sponsorship | Não recebi financiamento | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Mapeamento de tarefas | por |
dc.subject | Arquiteturas manycore | por |
dc.subject | Otimização multiobjetivo autoadaptativa | por |
dc.subject | Tolerância a falhas | por |
dc.subject | Eficiência energética | por |
dc.subject | Balanceamento de carga | por |
dc.subject | Task mapping | eng |
dc.subject | Manycore architectures | eng |
dc.subject | Self-adaptive multi-objective optimization | eng |
dc.subject | Fault Tolerance | eng |
dc.subject | Energy efficiency | eng |
dc.subject | Load balance | eng |
dc.title | Framework para investigação de mapeamentos de aplicações em arquiteturas manycore | por |
dc.title.alternative | Framework for investigation of application mappings in manycore architectures | eng |
dc.type | Tese | por |
dc.contributor.advisor1 | Pedrino, Emerson Carlos | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/6481363465527189 | por |
dc.description.resumo | Nesta tese, propõe-se a implementação de um framework para mapeamento - com otimização de métricas multiobjetivo - de grafos de aplicações em arquiteturas manycore, com elementos de processamento homogêneos, visando-se propor uma nova abordagem em relação aos trabalhos encontrados na literatura relacionada. Para a validação desta proposta de tese, propõem-se: uma nova metodologia de calibração e mapeamento multiobjetivo de tarefas relacionadas à detecção de padrões em imagens de alta resolução (binária e escala de cinza); uma nova proposta de metodologia autoadaptativa a ser usada em algoritmos multiobjetivos para mapeamento de aplicações em arquiteturas manycore. Os resultados obtidos por meio da metodologia de detecção de padrões e mapeamento de tarefas, em arquiteturas manycore, demonstraram uma alta taxa de generalização e acurácia, trazendo uma nova contribuição em relação ao uso dos algoritmos multiobjetivos avaliados. O melhor desempenho, durante os experimentos, foi obtido pelo algoritmo PESAII, algo anteriormente não relatado na literatura. A metodologia relacionada ao mapeamento e uso de estratégia autoadaptativa representou um estudo completo no que tange os indicadores de desempenho Hypervolume e IGD, novamente comprovando a maior efetividade do PESAII para a métrica Hypervolume, novamente, trazendo uma nova contribuição acerca do uso dos algoritmos NSGAIII e SPEA2, quanto à métrica IGD. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação - PPGCC | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/0522306511690493 | por |