精密电容器误差的网络并行计算

利用局域网和标准信息传递库构成网络并行计算环境。基于变动边界微扰法,实现了精密电容器误差的并行计算。改进了传统的Runge—Kutta方法。新方法在计算量、计算速度及稳定性上都优于原方法,并在实际计算中取得了良好的效果。最后,将用单机和用并行机进行计算的结果作了对比,讨论了与并行计算效率有关的因素。     

精密电容器误差的网络并行计算

利用局域网和标准信息传递库构成网络并行计算环境。基于变动边界微扰法,实现了精密电容器误差的并行计算。改进了传统的Ｒｕｎｇｅ－Ｋｕｔｔａ方法。新方法在计算量、计算速度及稳定性上都优于原方法,并在实际计算中取得了良好的效果。最后,将用单机和用并行机进行计算的结果作了对比,讨论了与并行计算效率有关的因素。     

流场分析和设计的并行计算

网络连接机群是一种有效的并行计算工具,讨论了在此环境下流场分析和设计的并行计算问题。流场解中采用了Euler方程作为主控方程,并用有限体积方法和时间隐式方法进行求解。在MPI／PVM环境下用分区方法作了二维翼型和三维机翼绕流的并行计算。数值算例表明流场计算的正确性和并行计算的有效性,并讨论了影响加速比和并行效率的各种因素。用耦合流场解和并行遗传优化算法做了二维翼型和三维机翼的单目标／双目标数值优化。算例表明：使用的适应函数优于传统线性组合法构成的,遗传算法计算三维优化问题时必须并行化。     

量子积分的蒙特卡罗模拟

用统一的量子积分形式表示量子力学计算中常见的积分，采用蒙特卡罗方法并将诸积分在同一循环中并行计算，提高了计算效率和计算结果的稳定性。     

基于Cluster的大型油藏数值模拟的并行计算

大规模整体油田的精细油藏数值模拟需要并行处理。该文基于Cluster并行系统,将三维三相油藏压力计算,转化为以油层为并行计算粒度、通过井筒压力耦合全油藏压力的多层二维二相的压力计算,用网格节点排序方法和预处理算法等缩短计算时间,实现了100.2万网格点的实际大规模油藏数值模拟问题,在17个处理机并行计算时,加速比达6.75。结果表明,该并行计算具有较好的效果,该并行软件正在胜利油田得到应用。     

Navier-Stokes方程有限元并行计算方法最新进展

Navier-Stokes方程是流体力学的基本方程,其并行数值求解方法是当前计算数学和计算流体力学领域的最前沿课题之一。综述了Navier-Stokes方程有限元并行计算方法的研究现状。将已有的方法进行分类,分别介绍了其基本思想,评述了各种有限元并行计算方法的优缺点,讨论了有限元并行计算方法所面临的问题,并对其发展趋势进行了展望。     

滑动轴承混合润滑多线程并行计算数值方法

针对混合润滑数值分析将动压效应、弹性变形和界面接触特性耦合而非常耗时的问题,基于共享内存并行系统的多线程程序设计语言OpenMP,提出一种多线程混合润滑并行计算数值方法——红黑线交叉并行计算法.该并行计算模型是将雷诺方程求解域分成两个相互独立的子求解域,依次对两个子求解域进行并行数值求解,可以有效克服CPU线程间数据争用问题,加快求解速度.着重研究了并行计算核数、网格数量和工作站配置对并行计算性能的影响,分析结果表明:并行计算模型能够有效提高滑动轴承混合润滑计算速度,并行计算速度的提升幅度与并行计算核数成非线性关系,随着CPU核数的增加计算速度的增加幅度逐渐减小;此外,与内存和缓存相比,CPU的主频对并行计算速度有非常大的影响.     

纳米流体流动与传热过程的LBM并行计算

建立了描述纳米流体流动与传热过程的格子-Boltzmann模型,针对格子-Boltzmann方法（LBM）高度并行性的特点,用消息传递机制实现了平板间纳米流体流动与传热过程的LBM并行计算,分析了处理器数目与区域分解模式对计算效率的影响。结果表明,纳米粒子的微运动强化了流体与壁面以及流体内部的换热过程,LBM并行计算方法应用于纳米流体流动传热计算能够提高计算效率。     

3D点云BSP并行计算模型及算法设计

根据3D点云数据处理计算特点,按照BSP模型的技术思想,建立了3D点云BSP并行计算模型。讨论了HAMA框架下的3D点云BSP并行计算模型的实现方法,构建了一个由普通PC组成的HAMA计算集群。以3D点模型构建计算为例,给出了一种3D点云数据处理BSP算法设计方法。实例的计算结果表明:BSP并行计算方法能高效地完成3D点模型构建计算,与其它计算方法相比,计算效率有所提高。     

基于单程序多数据流并行软件的性能预测法

为了提高预测并行软件性能的准确性和并行软件的开发效率,提出了一种基于单程序多数据流(SPMD)并行应用软件模块化技术的性能分析预测和并行软件辅助开发方法.通过量化计算开销、通信开销、通信与计算的耦合系数,阐述了在并行计算机系统中利用该方法开发并行计算软件和预测并行计算软件性能的过程.并就影响并行软件性能预测和开发效率的模块设计、模块性能数据建模、模块组合和计算与通信重叠等技术进行了研究.实验表明,该方法提高了预测并行计算软件性能的准确性,也提高了并行计算软件的性能和开发效率.     

基于消息传递接口的并行图像处理算法研究

对于大数据量图像和复杂图像处理算法,并行处理是一种有效的解决方法.基于消息传递接口,设计了一种并行图像边缘检测算法,并在曙光4000L并行机上予以实现.数值实验结果表明,并行图像处理能显著减少计算时间,更多的计算节点能得到更大的加速比,该并行图像处理算法对于大数据量图像更加有效.     

基于OpenCL的图像灰度化并行算法研究

随着图像数据量的增加,传统单核处理器或多处理器结构的计算方式已无法满足图像灰度化实时处理需求.该文利用图像处理器(GPU)在异构并行计算的优势,提出了基于开放式计算语言(OpenCL)的图像灰度化并行算法.通过分析加权平均图像灰度化数据处理的并行性,对任务进行了层次化分解,设计了2级并行的并行算法并映射到“CPU+GPU”异构计算平台上.实验结果显示:图像灰度化并行算法在OpenCL架构下NVIDIA GPU计算平台上相比串行算法、多核CPU并行算法和CUDA并行算法的性能分别获得了27.04倍、4.96倍和1.21倍的加速比.该文提出的并行优化方法的有效性和性能可移植性得到了验证.     

支持资源协同分配的网格任务调度研究

提出通用的网格和任务执行模型,并以此为基础,给出一种支持资源协同分配的任务调度算法。算法通过定义临界资源的概念,改进了传统的列表调度算法。模拟实验结果表明该调度策略更符合网格计算的复杂环境,能得到较短的任务执行时间,并更好的支持不同类型资源的协同分配。     

云计算环境下关联规则数据挖掘算法研究

在海量数据的关联规则数据挖掘中,采用并行计算是非常必要的;针对当前的关联规则算法,运用并行算法的思想,结合云计算环境下的Hadoop架构,提出了Hadoop下的并行关联规则算法的设计,最后实验表明,该算法能处理节点失效,并且能实现节点负载均衡。     

基于Matlab机群的分布式并行图像匹配算法

分析了Matlab并行计算工具箱中各部件的关系,对分布式并行计算环境中的关键参数进行了设置,构建了并行计算机群。将基于Matlab机群的分布式并行处理引入到图像匹配中。以灰度相关匹配算法为例,结合并行处理对图像灰度匹配进行并行实现。实验结果表明:并行化处理能有效缩短匹配时间,对进一步研究并行图像处理有一定的指导意义。     

基于多Agent协同构建分布式并行遗传算法

针对并行遗传算法中计算资源的分配问题 ,提出了分布式并行遗传算法结构。它由若干计算节点组成 ,每个节点包含若干运行子遗传算法的计算单元。节点的计算能力依照一定的并行模式映射到单元 ;各子算法则根据一定的拓扑结构进行个体交换。从多 Agent系统的观点看 ,计算单元是独立的 Agent,其并行运行涉及计算资源的分配 ,体现了算法对它们的协调 ;个体的迁移体现了它们之间的协作。并且分析了由两个单元构成的算法在不同并行模式和不同个体迁移因子下的性能。     

基于GPU的并行克里格及其在储量估算中的应用

克里格法是空间信息统计学中最主要和最基本的一种局部估计方法, 利用区域化变量的空间分布特征实现对未知区域的估计. 针对克里格算法高时间复杂度问题, 提出一种基于GPU 的并行克里格算法, 实现对克里格插值算法的改进, 在精度不降低的情况下很好地解决了克里格算法高时间复杂度的问题. 西藏甲码铜资源量估算结果表明, 并行克里格方法具有良好的加速比与并行计算效率, 验证了该方法的可实践性, 与纯CPU 计算的对比实验验证了GPU 并行计算结果的正确性与可信度.      

设计并行智能算法优化认知无线电性能

为解决认知无线电系统中的载波间干扰问题,设计了智能算法获得认知用户的最优干扰子载波,屏蔽最优干扰子载波能消除认知无线电载波间干扰。由于智能算法的计算复杂度较高、速度较慢,因此,提出了载波间干扰抑制并行算法,并对智能算法进行并行化设计和改造,新的并行算法能在多核处理器上实现并行计算,从而提高了智能算法的计算速度,能更好地满足认知无线电系统的实际应用需求。仿真结果表明,在满足认知用户目标误码率条件下,新的干扰抑制并行算法能明显抑制影响授权用户的载波间干扰,使授权用户获得更好的误码率性能。     

基于CUDA架构并行算法的带地形AMT二维反演实现与应用

并行计算是提高音频大地电磁（audio-frequency magnetotelluric method,AMT）数据反演效率的有效途径。本文在统一计算设备架构(compute unified device architecture,CUDA) 下开展带地形的AMT数据二维反演并行算法研究,旨在利用GPU强大的计算能力及并行计算技术实现高精度、快速度的AMT数据二维反演。首先利用有限元和自适应正则化反演算法实现AMT数据二维反演的串行化计算;然后在PGI Visual Fortran+ CUDA5.5环境下编写基于CPU+GPU的CUDA并行代码,将正演中的频率循环、反演中的模型灵敏度矩阵计算和反演方程正则化求解部分进行并行化处理;通过不同复杂程度的理论模型正反演模拟验证了该并行算法的有效性和准确性。不同模型和不同模式下的数值模拟结果对比表明,基于CPU+GPU的CUDA并行算法相较于传统的CPU串行算法,在灵敏度矩阵计算和反演方程正则化方面耗时更少,加速比最高可达10倍以上。最后将该并行算法应用于某矿区实测AMT数据的二维反演中,取得了较好的应用效果。