بهره‌برداری از همسانی GPU (واحد پردازش گرافیکی) در بهبود بهینه‌سازی گروه زنبوران عسل برای داده کاوی های بزرگ معاملاتی.

چکیده:
این مقاله به بررسی استفاده از واحد پردازش گرافیکی (واحد پردازش گرافیک)در بهبود عملکرد فرا ابتکاری گروه زنبوران عسل برای حل مساله کاوی مجموعه قوانین انجمنی می‌پردازد. اگر چه این فراابتکاری کارایی خود را اثبات کرد، اما نیاز به منابع محاسباتی عظیمی دارد که در نظر گرفتن پایگاه‌داده‌های بزرگ برای استخراج و معدنکاوی(از دیتا بیس) است. برای غلبه بر این محدودیت، ما در این مقاله ازدحام زنبور عسل مبتنی بر معدن کاری GPU -(GBSO توسعه می‌دهیم که در آن GPU به عنوان یک پردازنده برای محاسبه گام‌های متمرکز زمان CPU از الگوریتم استفاده می‌کند. برخلاف آخرین پیشرفت های علمی روش‌های ARM مبتنی بر GPU، تمام مراحل BSO شامل تعیین ناحیه جستجو، جستجوی محلی، ارزیابی و رقص بر روی GPU انجام می‌شوند. یک روش نگاشت بین ورودی داده هر وظیفه و بلوک‌های GPU / نخ‌ها توسعه داده می‌شود. برای اثبات اثربخشی چارچوب GBSO – Miner، آزمایش‌ها فشرده انجام شده‌است. نتایج نشان می‌دهد که GBSO – Miner عملکرد بهتری از روش‌های پایه ادبیات (GPApriroi، MEGPU و Dmine)با استفاده از پایگاه‌های داده متنی و متنی دارد. نتایج نشان می‌دهد ک

This paper investigates the use of GPU (Graphics Processing Unit) in improving the bees swarm optimization metaheuristic performance for solving the association rule mining problem. Although this metaheuristic proved its effectiveness, it requires huge computational resource when considering big databases for mining. To overcome this limitation, we develop in this paper a GPU-based Bees Swarm Optimization Miner (GBSO-Miner) where the GPU is used as a co-processor to compute the CPU-time intensive steps of the algorithm. Unlike state-of-the-art GPU-based ARM methods, all BSO steps including the determination of search area, the local search, the evaluation, and the dancing are performed on GPU. A mapping method between the data input of each task and the GPU blocks/threads is developed. To demonstrate the effectiveness of the GBSO-Miner framework, intensive experiments have been carried out. The results show that GBSO-Miner outperforms the baseline methods of the literature (GPApriroi,