超级计算机上矩阵乘的并行计算与实现

数值预报系统中经常要用到矩阵乘运算。在分布式超级计算机 (如IBM-SP) 上, 矩阵乘的并行计算需要较多的数据移动, 有效的数据传输对矩阵乘的实现至关重要。该文讨论了两种矩阵乘的并行算法, 一种是基于矩阵的列-行划分方式, 一种是基于矩阵的网格划分方式。在IBM-SP计算机上的实验结果表明, 网格划分的矩阵乘并行算法通讯开销更小, 并行效率更高, 其并行加速比较列-行并行算法改善约10 %。     

一种在异构系统中实现负载平衡的方法

提出了在异构系统实现负载平衡的区域分解算法和实现负载平衡的计算方法，利用它的负反馈性质解决了异构系统处理机计算速度测量误差造成的负载测量不准问题，并对处理机速度变化，速度测量误差、处理机数量、网格点计算量的分布等因素的影响进行了计算，结果表明本方法具有很强的平衡负载能力和较强的适应性；根据计算结果提出了解决模式网格点计算量不易测量问题的解决方案，并用扩散方程和模拟物理过程进行试验，试验表明这种方法是可行的，平衡负载的效果十分显著。     

基于GPU的GeoEye-1影像正射纠正

在介绍和分析GPU并行编程方法的基础上,给出了在GPU上进行Geo Eye-1影像正射纠正的算法过程。利用NVIDIA Quadro 600显卡对31 985像素×15 251像素的3波段Geo Eye-1影像进行正射纠正,其总体速度比没有加速的算法提升40%以上。试验结果表明,采用GPU并行处理技术可以提升遥感影像处理效率。     

OpenMP并行计算在全球电离层反演中的应用

对全球电离层反演数据处理中的计算密集型任务进行分析,针对数据预处理、组建法方程矩阵、参数预消除和法方程矩阵求逆等主要模块设计了基于OpenMP（Open Multi-Processing）的并行计算方案。该实验方案在单台服务器下实施,通过算例验证了本文并行计算方案的有效性和可靠性。实验结果表明:采用并行计算后,全球电离层快速解执行时间只需要10~13 min,计算速度加快了约6倍;最终解执行时间只需要39~47 min,计算速度加快了约5倍。本文全球电离层模型精度约为2.8~3.8 TECU,最终解模型精度相比快速解精度提高了约0.2 TECU,与IGS各个分析中心电离层产品精度基本相当。     

共享内存环境下的分块最小不连续相位解缠算法

提出了一种共享内存环境下的分块最小不连续相位解缠方法。首先,利用多核协同计算整块相位质量图;然后,将干涉图和相位质量图分割为规则小块,采用质量引导与最小不连续相合成的方法同时对子块干涉图进行相位解缠;最后,主线程在不同解缠相位块以及位于边界的低质量区域上再次进行最小不连续优化,获取最终合并后的解缠结果。仿真和真实干涉相位图的分块解缠实验结果表明,所提算法在保持解缠精度的同时,加速比分别达到3.98和2.26。     

基于GPU加速技术的非结构流域雨洪数值模型

为高效高精度地模拟流域雨洪过程,应用动力波法求解二维圣维南方程,并耦合水文过程,建立了包含流域降雨产流、汇流、下渗以及洪水演进等过程的高性能流域雨洪数值模型。该模型的优势在于使用非结构网格,可较好地处理不规则边界,准确贴合复杂地形表面,使得模型能精确计算模拟流域雨洪过程,同时引入GPU技术加速计算,使得大尺度流域雨洪计算成为可能。最后,将模型应用于V型经典算例及2个实际流域雨洪算例,所得结果与实测吻合较好,计算所用时间较短,表明该模型可以快速且精确模拟流域雨洪过程。研究结果有助于实现对实际流域雨洪灾害进行合理高效的预测,为应急抢险工作提供有力支撑。     

地震层析成像LSQR算法的并行化

讨论了地震层析成像的LSQR算法(最小二乘QR分解). 在建立偏导数矩阵方程组时,对区内地震在方程中保留震源项,引入正交投影算子进行参数分离,对区外远震采用传统的平滑处理方式,用LSQR法求解联立的方程组. 由于区内地震的正交分解处理和区外远震的平滑处理,使得偏导数矩阵中的非零元素成倍增加,对于大型反演问题,这些非零元素常常达到几十GB到几百GB的数量级,巨量的内存占用成为LSQR算法的瓶颈. 针对这一问题,本文研究了偏导数矩阵中非零元素的分布规律,设计出合理的存储结构,采用分布式存储进行矩阵计算,提出了LSQR算法的并行化方案,并在联想深腾6800超级计算机上实现. 导出了LSQR算法的并行效率估算公式. 对两个地区的实际地震层析成像数据进行了效率测试.     

大型GNSS观测网的并行计算

CGCS2000精化及其全球拓展需要采用最新的模型,处理长期积累的大型GNSS观测网数据,大型GNSS网联合、快速和协同解算是空间基准精化、维持与服务的重要技术方向.在大数据技术背景下,以并行计算、云计算为代表的高性能计算技术逐渐成为大规模数据处理的首选方法.针对海量、多源、异构GNSS数据在解算处理与平差分析等方面面...     

基于GPU加速的Boussinesq类波浪传播变形数值模型

Boussinesq波浪模型是一类相位解析模型,在时域内求解需要较高的空间和时间分辨率以保证计算精度。为提高计算效率,有必要针对该类模型开展并行算法的研究。与传统的中央处理器(CPU)相比,图形处理器(GPU)有大量的运算器,可显著提高计算效率。基于统一计算设备架构CUDA C语言和图形处理器,实现了Boussinesq模型的并行运算。将本模型的计算结果同CPU数值模拟结果和解析解相比较,发现得到的结果基本一致。同时也比较了CPU端与GPU端的计算效率,结果表明,GPU数值模型的计算效率有明显提升,并且伴随数值网格的增多,提升效果更为明显。     

多视密集匹配并行传播GPU-PatchMatch算法

针对多视密集匹配的效率较低的问题,提出了GPU-PatchMatch多视密集匹配算法。该算法使用GPU提高PatchMatch的计算效率;同时充分利用稀疏场景信息,对深度信息进行规则初始化;为提高传播效率,使用了金字塔红黑板并行传播深度信息。最后在DTU、Strecha和Vaihigen数据集上进行了试验,并与常用的多视密集匹配算法进行对比。试验结果表明,本文算法在重建效率上有较大提高,与CPU算法(PMVS、MVE、OpenMVS)相比有7倍以上提升,与GPU算法相比也有2.5倍以上提升,表明本文算法的有效性。