Gerçek zamanlı uygulamalar için ABC algoritmasının FPGA üzerinde gerçeklenmesi

Abstract

Bu tez çalışmasında Yapay Arı Kolonisi(Artifical Bee Colony, ABC) algoritması ilk kez FPGA üzerinde donanımsal olarak gerçeklenmiştir. ABC algoritması sürü tabanlı sezgisel (metaheuristic) yeni bir algoritmadır. Arıların doğada polen arama davranışlarından adapte edilmiş ve bir çok optimizasyon probleminde başarı ile kullanılmıştır. Bu çalışmada ABC algoritmasının FPGA üzerinde etkin bir şekilde gerçeklenmesini sağlayan donanım mimarisi önerilmiştir. Önerilen mimari sayesinde algoritma FPGA üzerinde daha az yer kaplamakta ve PC tabanlı yazılım versiyonlarına göre daha hızlı çalışmaktadır. Önerilen mimarinin performansının test edilmesi için literatürden yüksek hesaplama gücü ve hız gerektiren fonksiyonlar seçilmiştir. Aynı zamanda ABC algoritması ile YSA eğitimi problemi de FPGA ortamında gerçeklenmiştir. Yapılan çalışmalar sonucunda donanım üzerinde gerçeklenen yapının hem optimizasyon problemlerinde hemde YSA eğitiminde PC tabanlı uygulamalarla aynı doğruluğu gösterirken, bu uygulamlara göre çok daha hızlı olduğu gözlemlenmiştir.

In this thesis the first hardware implementation of the artificial bee colony (ABC) optimization on Field-Programmable Gate Arrays (FPGAs) is introduced. The artificial bee colony optimization is a new population?based metaheuristic algorithm. It is adopted from the natural foraging behavior of real honey bees and has been employed to find solutions to wide variety of optimization problems. In this paper we propose an efficient hardware architecture which leads to an efficient implementation with a less space requirement on FPGA and reduced runtime over software based solutions. Proposed architecture is tested with functions selected from the litrature. In addition to that Artificial Neural Network (ANN) tarining with ABC algorithm is also implemented on FPGA. The results indicate that the proposed architacture is as accurate as its software counterpart on PC but much faster than its corresponding software implementation in both function optimization and ANN training.