基于GPU的高性能并行算法研究
| 提要 | 第1-8页 |
| 第1章 绪论 | 第8-26页 |
| ·基本概念 | 第8页 |
| ·并行计算 | 第8页 |
| ·基于 GPU 的通用计算 | 第8页 |
| ·GPU 体系架构及比较 | 第8-14页 |
| ·GPU 体系架构 | 第9-10页 |
| ·与多核 CPU 的区别 | 第10-12页 |
| ·与超级计算机的区别 | 第12-13页 |
| ·与分布式集群的区别 | 第13-14页 |
| ·基于 GPU 通用计算的优势 | 第14页 |
| ·主要研究内容及现状 | 第14-21页 |
| ·GPU 体系架构的发展 | 第14-16页 |
| ·基于 GPU 的通用计算算法研究 | 第16-18页 |
| ·面向 GPU 通用计算的软件工具及环境研究 | 第18-21页 |
| ·本文工作 | 第21-26页 |
| ·研究目标 | 第21-22页 |
| ·研究意义 | 第22页 |
| ·本文组织 | 第22-25页 |
| ·创新点 | 第25-26页 |
| 第2章 基于 GPU 的稀疏矩阵向量乘算法 | 第26-50页 |
| ·引言 | 第26-27页 |
| ·CSR 存储格式 | 第27-28页 |
| ·优化策略 | 第28-38页 |
| ·实验分析 | 第38-48页 |
| ·数据精度 | 第38-40页 |
| ·优化策略效果 | 第40-42页 |
| ·横向比较 | 第42-44页 |
| ·效率对比 | 第44-48页 |
| ·相关工作 | 第48-49页 |
| ·本章总结 | 第49-50页 |
| 第3章 基于 GPU 的频繁模式挖掘算法 | 第50-64页 |
| ·引言 | 第50-51页 |
| ·算法描述 | 第51-55页 |
| ·并行候选频繁项集计数 | 第51-54页 |
| ·算法流程 | 第54页 |
| ·加速比分析 | 第54-55页 |
| ·实验分析 | 第55-61页 |
| ·相关工作 | 第61-62页 |
| ·本章总结 | 第62-64页 |
| 第4章 基于 GPU 的空间最近邻搜索算法 | 第64-76页 |
| ·引言 | 第64-65页 |
| ·算法描述 | 第65-69页 |
| ·基于 KD-Tree 的空间划分 | 第65-66页 |
| ·适于欧几里德距离的点剪枝 | 第66-69页 |
| ·GKDAKNN 算法 | 第69页 |
| ·实验分析 | 第69-74页 |
| ·相关工作 | 第74页 |
| ·本章总结 | 第74-76页 |
| 第5章 基于 GPU 的并行蚁群优化算法 | 第76-107页 |
| ·引言 | 第76-77页 |
| ·基本原理 | 第77-79页 |
| ·基于GPU 的展望策略细粒度蚁群算法 | 第79-88页 |
| ·展望策略 | 第79-81页 |
| ·基于 GPU 的并行化 | 第81-82页 |
| ·算法描述 | 第82-83页 |
| ·实验分析 | 第83-87页 |
| ·小结 | 第87-88页 |
| ·基于GPU 的无交流同构多蚁群算法 | 第88-95页 |
| ·算法描述 | 第89-91页 |
| ·实验分析 | 第91-94页 |
| ·小结 | 第94-95页 |
| ·基于GPU 的共享信息素异构多蚁群算法 | 第95-104页 |
| ·算法描述 | 第95-98页 |
| ·收敛性分析 | 第98-100页 |
| ·实验分析 | 第100-104页 |
| ·小结 | 第104页 |
| ·相关工作 | 第104-106页 |
| ·本章总结 | 第106-107页 |
| 第6章 结论与展望 | 第107-111页 |
| ·总结 | 第107-109页 |
| ·预评估 | 第107-108页 |
| ·基于 GPU 的算法设计 | 第108页 |
| ·基于 GPU 的性能优化 | 第108-109页 |
| ·未来工作 | 第109-111页 |
| 参考文献 | 第111-118页 |
| 攻读博士学位期间发表的论文及参加的项目 | 第118-119页 |
| 致谢 | 第119-120页 |
| 摘要 | 第120-123页 |
| Abstract | 第123-126页 |
