| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景 | 第12-14页 |
| 1.1.1 传统单核结构面临瓶颈 | 第12页 |
| 1.1.2 众核GPU通用计算走向成熟 | 第12-14页 |
| 1.2 并行算法基础及应用 | 第14-16页 |
| 1.2.1 并行算法基础 | 第14页 |
| 1.2.2 并行应用的发展 | 第14-16页 |
| 1.3 研究动机 | 第16页 |
| 1.3.1 GPU架构上性能优化的难点 | 第16页 |
| 1.4 本文的贡献 | 第16-17页 |
| 1.5 论文的组织 | 第17-19页 |
| 第2章 实验平台 | 第19-25页 |
| 2.1 众核GPU硬件结构 | 第19-25页 |
| 2.1.1 CUDA并行计算平台 | 第22-23页 |
| 2.1.2 CUDA编程环境下算法优化原则 | 第23-25页 |
| 第3章 适应GPU结构特征的优化策略研究 | 第25-29页 |
| 3.1 单个线程优化工作 | 第25-26页 |
| 3.2 多线程优化工作 | 第26-27页 |
| 3.3 适应众核结构的数据重用方法研究 | 第27-29页 |
| 第4章 适应GPU平台的GEMV优化算法 | 第29-50页 |
| 4.1 现有GPU平台上GEMV算法分析 | 第30-33页 |
| 4.2 WARP_BLOCK(1X)算法描述 | 第33-35页 |
| 4.3 WARP_BLOCK(2X)算法描述 | 第35-38页 |
| 4.4 实验结果与分析 | 第38-43页 |
| 4.5 分块大小对WARP_BLOCK(2X)算法性能影响探究 | 第43-48页 |
| 4.6 本章小结 | 第48-50页 |
| 第5章 稀疏矩阵向量乘法性能优化 | 第50-78页 |
| 5.1 稀疏矩阵向量乘法的优化意义 | 第50页 |
| 5.2 稀疏矩阵简介 | 第50-59页 |
| 5.2.1 稀疏矩阵存储格式 | 第51-58页 |
| 5.2.2 稀疏矩阵集 | 第58-59页 |
| 5.3 相关研究工作 | 第59-62页 |
| 5.3.1 优化稀疏矩阵向量乘法的难点 | 第60-61页 |
| 5.3.2 研究热点与趋势 | 第61-62页 |
| 5.4 一种新型存储格式HYB-I | 第62-70页 |
| 5.4.1 HYB格式存在的问题 | 第62-63页 |
| 5.4.2 HYB-I格式 | 第63-64页 |
| 5.4.3 基于HYB-I格式的算法 | 第64-65页 |
| 5.4.4 相关参数确定 | 第65-66页 |
| 5.4.5 实验结果与分析 | 第66-70页 |
| 5.5 高速缓存分块算法 | 第70-78页 |
| 5.5.1 BCSR格式 | 第71-73页 |
| 5.5.2 基于BCSR格式的SpMV算法 | 第73页 |
| 5.5.3 实验结果与分析 | 第73-75页 |
| 5.5.4 本章小结 | 第75-78页 |
| 第6章 总结与展望 | 第78-81页 |
| 6.1 本章小结 | 第78-79页 |
| 6.2 研究展望 | 第79-81页 |
| 参考文献 | 第81-86页 |
| 致谢 | 第86-87页 |
| 攻读博士学位期间发表的学术论文目录 | 第87-88页 |
| 攻读博士学位期间参与科研项目情况 | 第88-89页 |
| 外文论文 | 第89-122页 |
| 学位论文评阅及答辩情况表 | 第122页 |