Algoritmo de Optimización de Colonia de Hormigas (ACO) en la GPU aplicado a problemas de señalización celular en el tratamiento de enfermedades

Use this link to cite
http://hdl.handle.net/2183/32999
Except where otherwise noted, this item's license is described as Atribución-NoComercial-CompartirIgual 3.0 España
Collections
Metadata
Show full item recordTitle
Algoritmo de Optimización de Colonia de Hormigas (ACO) en la GPU aplicado a problemas de señalización celular en el tratamiento de enfermedadesAuthor(s)
Directors
González, PatriciaAmor, Margarita
Date
2023-02Center/Dept./Entity
Universidade da Coruña. Facultade de InformáticaDescription
Traballo fin de grao (UDC.FIC). Enxeñaría Informática. Curso 2022/2023Abstract
[Resumen]: Los modelos computacionales se han convertido en modelos muy populares para el análisis
del funcionamiento de redes bioquímicas complejas, como las involucradas en las redes
de señalización celular. Estas soluciones construyen modelos lógicos predictivos entrenando
una red de conocimiento previo con datos bioquímicos obtenidos a través de experimentos.
El entrenamiento se presenta como un problema de optimización combinatoria que requiere
métodos de solución eficientes.
La metaheurística denominada Optimización de Colonia de Hormigas, o Ant Colony Optimization
(ACO), es uno de los métodos empleados en la resolución de problemas combinatorios
de complejidad NP. El objetivo de este trabajo es el estudio y análisis de una sencilla
implementación paralela de un ACO adaptado a los problemas descritos anteriormente haciendo
uso de la plataforma CUDA (Compute Unified Device Architecture). Así, valoraremos la
efectividad y eficiencia de optimización en la GPU (Graphics Processing Unit) obtenida gracias
a esta plataforma, y las mejoras que se podrían conseguir de cara al futuro. [Abstract]: Computational models became very popular for analysing the functioning of complex
biochemical networks such as those involved in cell signalling networks. These solutions build
complex predictive logic models by training a prior knowledge network with biochemical data
obtained through experiments. Training is presented as a combinatorial optimisation problem
that requires efficient solution methods.
The metaheuristic Ant Colony Optimization (ACO) is one of the methods used in solving
NP-complex combinatorial problems. In this work we will study and analyse a simple parallel
implementation of an ACO algorithm adapted to the problems described above using the
CUDA (Compute Unified Device Architecture) framework. Thus, we will evaluate the effectiveness
and efficiency of the optimisation in the GPU (Graphics Processing Unit) obtained using
this framework, as well as the improvements that could be achieved in the future.
Keywords
ACO
CUDA
GPU
Optimización
Computación paralela
Optimization
Parallel computing
CUDA
GPU
Optimización
Computación paralela
Optimization
Parallel computing
Rights
Atribución-NoComercial-CompartirIgual 3.0 España