Implementação do algoritmo PSO em CUDA utilizando técnicas da capacidade de computabilidade 6.1 para otimização de problemas de engenharia com restrições

O presente trabalho trata da implementação e análise do algoritmo de PSO (Otimização por Enxame de Partículas), algoritmo que abre possibilidade para a paralelização, em CUDA, utilizando um dos recursos da capacidade de computabilidade 6.1, a shared memory permitindo a diminuição da latência de comunicação entre o core CUDA e a memória. Com este trabalho, objetivou-se implementar o algoritmo de PSO de forma que o resultado obtido após a execução deste, fosse mais preciso, obtendo-se mais casas decimais de precisão no resultado, permitindo que aplicações que necessitem de uma precisão maior possam ser executadas com este algoritmo, além de melhorar o tempo de execução, utilizando a nova arquitetura das placas de vídeo NVidia GTX série 10, Pascal. Para a análise e comparação de resultados, foram utilizados resultados do trabalho produzido por Daniel Souza em 2014, e nos resultados obtidos, foi alcançada uma melhora, tanto na precisão, onde foi aumentado de 6 casas decimais confiáveis para 16 casas decimais confiáveis, quanto no tempo de execução do algoritmo, o que abre a possibilidade para que aplicações que necessitam de precisão extrema, como aplicações médicas e da biomedicina, possam ser executadas sem que o tempo de execução seja afetado.