| 学位论文数据集 | 第3-4页 |
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 课题背景及研究意义 | 第13-14页 |
| 1.1.1 课题背景 | 第13页 |
| 1.1.2 课题研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 面向多核CPU的并行MC~3算法 | 第14-15页 |
| 1.2.2 面向CPU-GPU协同的并行MC~3算法 | 第15-17页 |
| 1.3 课题主要研究内容 | 第17页 |
| 1.4 论文结构及内容安排 | 第17-18页 |
| 1.5 本文的创新点 | 第18-19页 |
| 第二章 背景知识 | 第19-31页 |
| 2.1 引言 | 第19页 |
| 2.2 系统发育分析 | 第19-22页 |
| 2.3 贝叶斯推断法 | 第22-23页 |
| 2.4 MCMC和MC~3算法 | 第23-27页 |
| 2.5 似然概率的计算 | 第27-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第三章 tgpMC~3并行算法设计 | 第31-47页 |
| 3.1 引言 | 第31页 |
| 3.2 粗粒度并行策略分析 | 第31-34页 |
| 3.2.1 算法执行流程 | 第31-32页 |
| 3.2.2 粗粒度线程映射机制 | 第32-33页 |
| 3.2.3 存在的问题 | 第33-34页 |
| 3.3 数据的重建和存储 | 第34-38页 |
| 3.3.1 工作负载分析 | 第34-35页 |
| 3.3.2 重建输入序列结构 | 第35-36页 |
| 3.3.3 基于行主序的存储模型 | 第36-37页 |
| 3.3.4 基于列主序的存储模型 | 第37-38页 |
| 3.4 半任务间并行策略分析 | 第38-42页 |
| 3.4.1 任务并行策略 | 第38-39页 |
| 3.4.2 模型的层次划分 | 第39-41页 |
| 3.4.3 粒度适中的线程映射机制 | 第41-42页 |
| 3.5 转移概率矩阵加载 | 第42-45页 |
| 3.5.1 算法中的转移概率矩阵 | 第42-43页 |
| 3.5.2 多线程加载方法 | 第43页 |
| 3.5.3 并行传输的内核函数 | 第43-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第四章 实验和分析 | 第47-55页 |
| 4.1 实验环境 | 第47页 |
| 4.2 实验数据集 | 第47-49页 |
| 4.3 性能比较 | 第49-54页 |
| 4.3.1 运行时间 | 第49-51页 |
| 4.3.2 加速比 | 第51-52页 |
| 4.3.3 可扩展性 | 第52-54页 |
| 4.4 结论 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 主要研究成果 | 第55-56页 |
| 5.2 工作展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-63页 |
| 研究成果及发表的学术论文 | 第63-65页 |
| 作者及导师简介 | 第65-67页 |
| 附件 | 第67-68页 |