本文關(guān)鍵詞：基于GPU的不可壓縮管流并行數(shù)值模擬關(guān)鍵技術(shù)研究

  更多相關(guān)文章： 稀疏矩陣向量乘 有限差分算法 并行計(jì)算 對(duì)稱交錯(cuò)條塊

【摘要】：不可壓縮管流問(wèn)題作為流體力學(xué)的重要研究對(duì)象，對(duì)此進(jìn)行的研究成果被廣泛應(yīng)用于等離子體物理學(xué)和磁流體力學(xué)等相關(guān)領(lǐng)域的科學(xué)研究。對(duì)不可壓縮管流進(jìn)行精確模型的數(shù)值模擬需要巨大的計(jì)算資源和時(shí)間代價(jià)，始終是研究難點(diǎn)和熱點(diǎn)。本文通過(guò)研究其中的兩個(gè)關(guān)鍵步驟稀疏矩陣向量乘與有限差分Stencil算法，，結(jié)合并行優(yōu)化技術(shù)和數(shù)據(jù)局部性優(yōu)化技術(shù)提高了不可壓縮管流數(shù)值模擬的運(yùn)行效率。 在不可壓縮管流數(shù)值模擬的矩陣向量乘求解問(wèn)題中，矩陣一般呈現(xiàn)出總體稀疏局部存在較多稠密子矩陣的特征。傳統(tǒng)稀疏矩陣存儲(chǔ)結(jié)構(gòu)并不能很好地利用這一特征，因此本文提出了QCSR稀疏矩陣存儲(chǔ)結(jié)構(gòu)。QCSR存儲(chǔ)結(jié)構(gòu)結(jié)合了四叉樹結(jié)構(gòu)和CSR存儲(chǔ)結(jié)構(gòu)的優(yōu)勢(shì)，通過(guò)對(duì)稀疏矩陣進(jìn)行遞歸式分解和重排列實(shí)現(xiàn)矩陣的存儲(chǔ)，提高矩陣向量乘運(yùn)算的數(shù)據(jù)局部性。本文接著分析了CPU-GPU異構(gòu)并行系統(tǒng)的編程模型CUDA，通過(guò)采用線程映射優(yōu)化、數(shù)據(jù)存取優(yōu)化、數(shù)據(jù)傳輸優(yōu)化和數(shù)據(jù)復(fù)用優(yōu)化四個(gè)策略，在GPU上實(shí)現(xiàn)了基于QCSR存儲(chǔ)結(jié)構(gòu)的稀疏矩陣向量乘。實(shí)驗(yàn)表明，與CSR存儲(chǔ)格式對(duì)比，基于QCSR存儲(chǔ)結(jié)構(gòu)的稀疏矩陣向量乘取得了平均1.15的加速比，并且降低了運(yùn)算過(guò)程中矩陣內(nèi)非零元素分布因素對(duì)運(yùn)算的影響，更具有普適性。 因不可壓縮管流中管流和外加磁場(chǎng)之間的相互作用以及傳熱問(wèn)題的復(fù)雜性，基于壓力與速度場(chǎng)耦合方程組的半隱式方法需采用細(xì)粒度的網(wǎng)格劃分方式來(lái)分析流體內(nèi)部細(xì)節(jié)，并由有限差分Stencil算法求解方程組。針對(duì)基于單向區(qū)域劃分方法的有限差分Stencil算法會(huì)出現(xiàn)迭代間數(shù)據(jù)局部性差和可擴(kuò)展性差等問(wèn)題，本文提出了基于多網(wǎng)格空間對(duì)稱交錯(cuò)條塊式的有限差分Stencil并行迭代算法。該算法通過(guò)采用基于網(wǎng)格交錯(cuò)條塊的區(qū)域劃分策略，引入時(shí)滯技術(shù)并沿新增的時(shí)間軸方向?qū)⒌臻g劃分成交錯(cuò)條塊，提高了條塊內(nèi)部的數(shù)據(jù)局部性；通過(guò)采用多網(wǎng)格對(duì)稱運(yùn)行策略，提高算法并行度，加快了有限差分Stencil迭代算法的收斂速度；通過(guò)采用交錯(cuò)條塊的重排序策略，有效地減少有限差分Stencil算法在迭代過(guò)程中的通信和同步開銷，提高了并行效果。本文進(jìn)一步在GPU上實(shí)現(xiàn)了多維有限差分Stencil迭代算法。實(shí)驗(yàn)表明，采用相應(yīng)優(yōu)化策略后的有限差分Stencil迭代算法性能縮短了計(jì)算時(shí)間。 本文通過(guò)使用并行優(yōu)化技術(shù)和CPU-GPU異構(gòu)并行系統(tǒng)優(yōu)化了稀疏矩陣向量乘和有限差分Stencil迭代算法這兩個(gè)關(guān)鍵計(jì)算步驟，提升了不可壓縮管流數(shù)值模擬效率。對(duì)此進(jìn)行的并行化研究成果具有一般性，可以推廣到相關(guān)的數(shù)值計(jì)算領(lǐng)域中。
【關(guān)鍵詞】：稀疏矩陣向量乘 有限差分算法 并行計(jì)算 對(duì)稱交錯(cuò)條塊
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：O151.21;TP333
【目錄】：

• 摘要5-7
• ABSTRACT7-9
• 目錄9-11
• 第一章 緒論11-18
• 1.1 研究背景11
• 1.2 課題相關(guān)領(lǐng)域發(fā)展現(xiàn)狀11-15
• 1.2.1 稀疏矩陣向量乘相關(guān)研究11-13
• 1.2.2 有限差分 Stencil 算法相關(guān)研究13-15
• 1.3 研究意義15
• 1.4 主要研究?jī)?nèi)容15-16
• 1.5 論文結(jié)構(gòu)16-18
• 第二章 并行計(jì)算技術(shù)概況18-24
• 2.1 并行計(jì)算概述18-19
• 2.2 基于 GPU 的并行計(jì)算19-21
• 2.3 CUDA 編程模型21-23
• 2.3.1 線程層次結(jié)構(gòu)和硬件實(shí)現(xiàn)21-22
• 2.3.2 存儲(chǔ)器層次結(jié)構(gòu)22-23
• 2.4 本章總結(jié)23-24
• 第三章 基于 QCSR 存儲(chǔ)格式的稀疏矩陣向量乘及其并行化24-41
• 3.1 稀疏矩陣常用存儲(chǔ)格式24-27
• 3.1.1 坐標(biāo)格式24-25
• 3.1.2 壓縮稀疏行格式25
• 3.1.3 DIA 對(duì)角線存儲(chǔ)格式25-26
• 3.1.4 ELLPACK 格式26-27
• 3.1.5 混合格式27
• 3.2 基于 QCSR 存儲(chǔ)格式的稀疏矩陣向量乘27-34
• 3.2.1 QCSR 存儲(chǔ)結(jié)構(gòu)28-30
• 3.2.2 基于 QCSR 存儲(chǔ)結(jié)構(gòu)的稀疏矩陣向量乘30-31
• 3.2.3 效率分析31-32
• 3.2.4 數(shù)值實(shí)驗(yàn)32-34
• 3.3 基于 GPU 的稀疏矩陣向量乘優(yōu)化策略34-38
• 3.3.1 線程映射優(yōu)化35-36
• 3.3.2 數(shù)據(jù)存取優(yōu)化36
• 3.3.3 數(shù)據(jù)傳輸優(yōu)化36-37
• 3.3.4 數(shù)據(jù)復(fù)用優(yōu)化37-38
• 3.4 基于 GPU 的稀疏矩陣向量乘實(shí)驗(yàn)38-40
• 3.5 本章總結(jié)40-41
• 第四章 基于多網(wǎng)格空間對(duì)稱交錯(cuò)條塊式的有限差分 Stencil 并行迭代算法41-52
• 4.1 有限差分 Stencil 算法42-43
• 4.2 基于單向區(qū)域劃分的有限差分 Stencil 并行算法43-44
• 4.3 基于多網(wǎng)格空間對(duì)稱交錯(cuò)條塊式的有限差分 Stencil 算法44-47
• 4.4 數(shù)值實(shí)驗(yàn)47-49
• 4.5 基于 GPU 的有限差分 Stencil 算法49-51
• 4.6 本章總結(jié)51-52
• 第五章 總結(jié)與展望52-54
• 5.1 工作總結(jié)52-53
• 5.2 研究展望53-54
• 致謝54-55
• 參考文獻(xiàn)55-61
• 附錄61-62
• 詳細(xì)摘要62-65

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前4條

1 袁娥;張?jiān)迫?劉芳芳;孫相征;;SpMV的自動(dòng)性能優(yōu)化實(shí)現(xiàn)技術(shù)及其應(yīng)用研究[J];計(jì)算機(jī)研究與發(fā)展;2009年07期

2 吳恩華,柳有權(quán);基于圖形處理器(GPU)的通用計(jì)算[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2004年05期

3 安虹,陳國(guó)良;并行程序設(shè)計(jì)模型和語(yǔ)言[J];軟件學(xué)報(bào);2002年01期

4 胡長(zhǎng)軍;張紀(jì)林;王玨;李建江;;迭代空間交錯(cuò)條塊并行Gauss-Seidel算法[J];軟件學(xué)報(bào);2008年06期

本文編號(hào)：830074