Uma solução híbrida para mitigação do problema de seleção de otimizações

• Ano de defesa: 2016
• Autor(a) principal: Queiroz Junior, Nilton Luiz
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual de Maringá; Brasil; Departamento de Informática; Programa de Pós-Graduação em Ciência da Computação; UEM; Maringá, PR; Centro de Tecnologia
• Palavras-chave em Português: Problema de Seleção de Otimizações (PSO); Mitigação; Aprendizagem de máquina; Compilação iterativa, Compiladores; Otimização; Brasil.; Mitigation of Optimization Selection Problem; Machine Learning; Iterative Compilation; Brazil.; Ciências Exatas e da Terra; Ciência da Computação
• Link de acesso: http://repositorio.uem.br:8080/jspui/handle/1/2588

Compiler optimizations are transformations, usually in intermediate representation of the code, that tries to improve the performance of the executable program. Choosing one sequence of these transformations, that change the code to its best possible state, is a complex task, and generally inviable. So, it is usually tried to mitigate the problem. In the context of Optimization Selection Problem, are applied two known approaches: iterative compilation and machine learning. This work shows an approach that mixes those two, applying iterative compilation in machine learning results. The obtained results with this approach, using support vector machine with genetic algorithm, show better results than a pure iterative compilation using a genetic algorithm, reaching speedups of 2,115x over program without optimizations, while a pure iterative compilation reached 2,074x.