GPU并行的大規(guī)模稀疏近似逆預條件算法研究.pdf_第1頁
已閱讀1頁,還剩59頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、稀疏近似逆預條件子應用到迭代法中已證明其有效性。然而,獲得這些預條件子的計算復雜度往往較高,面對大規(guī)模問題時顯得力不從心,需要加速。近些年來,隨著高計算能力的圖形處理器(graphics processor unit,GPU)的興起,用于大規(guī)模問題的GPU加速的并行稀疏近似逆預條件子已引起廣泛的關注。因此,本文針對共軛梯度(conjugate gradient,CG)算法,基于對稱超松弛(symmetric successive ove

2、r-relaxation,SSOR)預條件子和一種近似逆(approximate inverse,AINV)算法,研究構造GPU架構下高效并行的稀疏近似逆預條件子。
  本文所做的工作和貢獻如下:
  1.由于SSOR預條件共軛梯度算法中預條件方程求解需要強串行的前推和回代,導致算法遷移到GPU平臺上并行效率不高。為此,基于諾依曼(Neumann)多項式分解技術,提出了一種GPU加速的SSOR稀疏近似逆預條件子(GSSORS

3、AI)。它不僅保持了原線性系統(tǒng)系數矩陣的稀疏和對稱正定特性,而且預條件方程求解僅需一次稀疏矩陣矢量乘運算,避免了前推和回代過程。實驗結果表明,在NVIDIA Tesla C2050 GPU上,對比使用Python在單個CPU上SSOR稀疏近似逆預條件子實現方法,GSSORSAI平均快將近100倍;應用到并行的PCG算法中,相比無預條件的CG算法,平均提高了3倍的收斂速度。
  2.由于SSOR稀疏近似逆預條件子需要對稱正定線性系統(tǒng)

4、的系數矩陣A滿足P(-D-1L)<1,所以接著針對一般性的對稱正定矩陣A,基于AINV算法,利用圖劃分技術對原始矩陣A做分塊,通過對子圖做內點和邊界點的區(qū)分,以及稀疏矩陣的置換技術,將矩陣A的稀疏近似逆轉換成分塊箭型矩陣的稀疏近似逆。進而,利用GPU的多支流處理器,改進了稀疏矩陣乘ESC算法,實現了一種高效并行的稀疏AINV預條件子。實驗證明,基于GPU的AINV稀疏預條件子高度并行,并且應用到PCG(preconditioned co

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論