INTRODUCTION SORTING PRIMITIVES GENE SORT EVALUATION - - PowerPoint PPT Presentation

▶
introduction sorting primitives gene sort evaluation of
SMART_READER_LITE
LIVE PREVIEW

INTRODUCTION SORTING PRIMITIVES GENE SORT EVALUATION - - PowerPoint PPT Presentation

Jul 17, 2023 186 likes •730 views

AUTHORS Xiaoming Li, Mara Jess Garzarn, and David Padua University of Illinois hGp://polaris.cc.uiuc.edu INTRODUCTION SORTING PRIMITIVES GENE SORT

slide-1
SLIDE 1

AUTHORS ¡ Xiaoming ¡Li, ¡María ¡Jesús ¡Garzarán, ¡and ¡David ¡Padua ¡ University ¡of ¡Illinois ¡ hGp://polaris.cc.uiuc.edu ¡

¡

slide-2
SLIDE 2
  • INTRODUCTION ¡
  • SORTING ¡PRIMITIVES ¡
  • GENE ¡SORT ¡
  • EVALUATION ¡OF ¡GENE ¡SORT ¡
  • CLASSIFIER ¡SORTING ¡
  • CONCLUSION ¡
slide-3
SLIDE 3
  • INTRODUCTION ¡
  • SORTING ¡PRIMITIVES ¡
  • GENE ¡SORT ¡
  • EVALUATION ¡OF ¡GENE ¡SORT ¡
  • CLASSIFIER ¡SORTING ¡
  • CONCLUSION ¡
slide-4
SLIDE 4

Input ¡ data ¡ Quicksort? ¡

slide-5
SLIDE 5

Input ¡ data ¡ Quicksort? ¡ Mergesort? ¡

slide-6
SLIDE 6

Input ¡ data ¡ Quicksort? ¡ Mergesort? ¡ Radix? ¡

slide-7
SLIDE 7

Input ¡ data ¡ Quicksort? ¡ Mergesort? ¡ Radix? ¡ Data ¡DistribuWon ¡

slide-8
SLIDE 8
  • INTRODUCTION ¡
  • SORTING ¡PRIMITIVES ¡
  • GENE ¡SORT ¡
  • EVALUATION ¡OF ¡GENE ¡SORT ¡
  • CLASSIFIER ¡SORTING ¡
  • CONCLUSION ¡
slide-9
SLIDE 9
slide-10
SLIDE 10
slide-11
SLIDE 11
slide-12
SLIDE 12
slide-13
SLIDE 13
slide-14
SLIDE 14
slide-15
SLIDE 15
slide-16
SLIDE 16
slide-17
SLIDE 17
slide-18
SLIDE 18
slide-19
SLIDE 19
slide-20
SLIDE 20
  • INTRODUCTION ¡
  • SORTING ¡PRIMITIVES ¡
  • GENE ¡SORT ¡
  • EVALUATION ¡OF ¡GENE ¡SORT ¡
  • CLASSIFIER ¡SORTING ¡
  • CONCLUSION ¡
slide-21
SLIDE 21
slide-22
SLIDE 22

BE ¡ DV ¡ LDV ¡ LDR ¡

slide-23
SLIDE 23
slide-24
SLIDE 24
slide-25
SLIDE 25

BE ¡ DV ¡ LDV ¡ LDR ¡ BE ¡ LDR ¡ DR ¡

slide-26
SLIDE 26

BE ¡ DV ¡ LDV ¡ LDR ¡ BE ¡ LDR ¡ DR ¡

slide-27
SLIDE 27

BE ¡ DV ¡ LDV ¡ LDR ¡ BE ¡ LDR ¡ DR ¡

slide-28
SLIDE 28

BE ¡ LDR ¡ BE ¡ LDR ¡ DV ¡ LDV ¡ DR ¡

slide-29
SLIDE 29
slide-30
SLIDE 30

Change ¡values ¡of ¡ parameters ¡ (randomly) ¡ Exchange ¡two ¡ subtrees ¡ Add ¡a ¡new ¡ subtree ¡ Remove ¡a ¡ ¡ subtree ¡

slide-31
SLIDE 31

Change ¡values ¡of ¡ parameters ¡ (randomly) ¡ BE ¡ LDR ¡ Radix=8 ¡ Threshold=20 ¡ DR ¡ Radix=5 ¡

slide-32
SLIDE 32

Change ¡values ¡of ¡ parameters ¡ (randomly) ¡ BE ¡ LDR ¡ Radix=9 ¡ Threshold=20 ¡ DR ¡ Radix=7 ¡

slide-33
SLIDE 33

Exchange ¡two ¡ subtrees ¡ BE ¡ LDR ¡ Radix=9 ¡ Threshold=20 ¡ DR ¡ Radix=7 ¡

slide-34
SLIDE 34

Exchange ¡two ¡ subtrees ¡ BE ¡ LDR ¡ Radix=9 ¡ Threshold=20 ¡ DR ¡ Radix=7 ¡

slide-35
SLIDE 35

Add ¡a ¡new ¡ subtree ¡ BE ¡ LDR ¡ Radix=9 ¡ Threshold=20 ¡ DR ¡ Radix=7 ¡

slide-36
SLIDE 36

Add ¡a ¡new ¡ subtree ¡ LDV ¡ np=2 ¡ BE ¡ LDR ¡ Radix=9 ¡ Threshold=20 ¡ DR ¡ Radix=7 ¡

slide-37
SLIDE 37

Remove ¡a ¡ ¡ subtree ¡ LDV ¡ np=2 ¡ BE ¡ LDR ¡ Radix=9 ¡ Threshold=20 ¡ DR ¡ Radix=7 ¡

slide-38
SLIDE 38

Remove ¡a ¡ ¡ subtree ¡ LDV ¡ np=2 ¡ BE ¡ DR ¡ Radix=7 ¡

slide-39
SLIDE 39
slide-40
SLIDE 40

LDV ¡ np=2 ¡ BE ¡ DR ¡ Radix=7 ¡ LDV ¡ np=2 ¡ BE ¡ LDR ¡ Radix=9 ¡ Threshold= 20 ¡ DR ¡ Radix=7 ¡ BE ¡ LDR ¡ Radix=9 ¡ Threshold=2 0 ¡ DR ¡ Radix=7 ¡

slide-41
SLIDE 41

LDV ¡ np=2 ¡ BE ¡ DR ¡ Radix=7 ¡ LDV ¡ np=2 ¡ BE ¡ LDR ¡ Radix=9 ¡ Threshold= 20 ¡ DR ¡ Radix=7 ¡ BE ¡ LDR ¡ Radix=9 ¡ Threshold=2 0 ¡ DR ¡ Radix=7 ¡

slide-42
SLIDE 42

Performance ¡as ¡Fitness ¡FuncWon ¡

slide-43
SLIDE 43
slide-44
SLIDE 44

Gene=c ¡Algorithm ¡{ ¡ ¡ P ¡= ¡IniWal ¡PopulaWon ¡ ¡ While ¡(stopping ¡criteria ¡is ¡false) ¡do ¡{ ¡ ¡Apply ¡mutaWon ¡and ¡crossover ¡and ¡generate ¡set ¡M ¡of ¡k ¡individuals ¡ ¡P ¡= ¡P ¡∪ ¡M ¡ ¡S ¡= ¡Input ¡sets ¡with ¡different ¡sizes ¡and ¡different ¡standard ¡deviaWons ¡ ¡Use ¡each ¡genome ¡of ¡P ¡to ¡sort ¡each ¡element ¡of ¡S ¡ ¡Apply ¡fitness ¡funcWon ¡to ¡remove ¡the ¡k ¡least ¡fit ¡individuals ¡from ¡P. ¡ ¡ }} ¡

slide-45
SLIDE 45
  • INTRODUCTION ¡
  • SORTING ¡PRIMITIVES ¡
  • GENE ¡SORT ¡
  • EVALUATION ¡OF ¡GENE ¡SORT ¡
  • CLASSIFIER ¡SORTING ¡
  • CONCLUSION ¡
slide-46
SLIDE 46
  • Tested ¡on ¡seven ¡different ¡plaaorms ¡

¡ ¡

SeEngs ¡ PopulaWon ¡Size ¡ 50 ¡ # ¡GeneraWons ¡ 100 ¡ # ¡Generated ¡offsprings ¡ 30 ¡ MutaWon ¡Rate ¡Possibilty ¡ 6% ¡ # ¡Training ¡input ¡sets ¡ 12 ¡

slide-47
SLIDE 47

¡ ¡

9h ¡on ¡the ¡Intel ¡Xeon ¡ (3.0 ¡GHz) ¡ 80h ¡on ¡the ¡SGI ¡R12000 ¡ (300 ¡MHz) ¡

slide-48
SLIDE 48

¡ ¡

Gene ¡Sort ¡: ¡7% ¡worse ¡than ¡other ¡algorithm ¡ONLY ¡in ¡three ¡plaaorms. ¡

  • AMD ¡Athlon ¡(having ¡low ¡values ¡of ¡std. ¡DeviaWon) ¡
  • SGI ¡R12000 ¡and ¡Intel ¡Itanium ¡(having ¡high ¡values ¡of ¡std. ¡Deviaton) ¡
slide-49
SLIDE 49
  • INTRODUCTION ¡
  • SORTING ¡PRIMITIVES ¡
  • GENE ¡SORT ¡
  • EVALUATION ¡OF ¡GENE ¡SORT ¡
  • CLASSIFIER ¡SORTING ¡
  • CONCLUSION ¡
slide-50
SLIDE 50

¡ ¡

PopulaWon ¡

(Different ¡Gene ¡Sort ¡algorithms) ¡

Machine ¡Learning ¡

PopulaWon ¡

(The ¡best ¡Gene ¡Sort ¡Algorithms ¡for ¡use ¡on ¡the ¡ target ¡machine) ¡

slide-51
SLIDE 51
  • INTRODUCTION ¡
  • SORTING ¡PRIMITIVES ¡
  • GENE ¡SORT ¡
  • EVALUATION ¡OF ¡GENE ¡SORT ¡
  • CLASSIFIER ¡SORTING ¡
  • CONCLUSION ¡
slide-52
SLIDE 52
  • Best ¡sorWng ¡rouWnes ¡using ¡GeneWc ¡Algorithms ¡to ¡generate ¡Classifier ¡SorWng ¡

(Xsort). ¡

  • 36% ¡Faster ¡than ¡“Pure” ¡sorWng ¡algorithms ¡

¡

  • Faster ¡than ¡comercial ¡libreries ¡like ¡IBM ¡ESSL, ¡INTEL ¡MKL, ¡STL ¡(C++),etc. ¡
slide-53
SLIDE 53

¡ ¡