| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 基于GPU的数值计算 | 第12-13页 |
| 1.2.2 稀疏矩阵向量乘在高性能计算领域中的研究 | 第13页 |
| 1.2.3 稀疏矩阵向量乘在多核CPU上的研究 | 第13-14页 |
| 1.2.4 稀疏矩阵向量乘在GPU上的研究 | 第14-15页 |
| 1.2.5 稀疏矩阵向量乘在XEON PHI上的研究 | 第15页 |
| 1.2.6 GPU与MIC的属性对比 | 第15-17页 |
| 1.3 研究内容 | 第17-18页 |
| 1.4 本文组织结构 | 第18页 |
| 1.5 本文创新点 | 第18-20页 |
| 第二章 相关技术简介 | 第20-25页 |
| 2.1 GPU体系架构 | 第20页 |
| 2.2 XEON PHI体系架构 | 第20页 |
| 2.3 与本文相关技术 | 第20-25页 |
| 第三章 基于GPU的稀疏矩阵向量乘算法优化 | 第25-42页 |
| 3.1 稀疏矩阵格式 | 第25-30页 |
| 3.1.1 对角线格式（DIA格式） | 第25-27页 |
| 3.1.2 并列格式（COO） | 第27页 |
| 3.1.3 ELLPACK格式（ELL格式） | 第27-29页 |
| 3.1.4 混合格式（HYB） | 第29页 |
| 3.1.5 其他格式 | 第29-30页 |
| 3.2 CSR存储格式 | 第30-31页 |
| 3.3 优化策略 | 第31-35页 |
| 3.3.1 基于GPU的稀疏矩阵与向量相乘的KERNEL函数 | 第31-33页 |
| 3.3.2 基于CUDA的稀疏矩阵向量乘的KERNEL函数HALF-WARP优化 | 第33-34页 |
| 3.3.3 数据的传输 | 第34-35页 |
| 3.3.4 其他优化 | 第35页 |
| 3.4 实验分析 | 第35-40页 |
| 3.4.1 数据精度 | 第35页 |
| 3.4.2 优化策略效果 | 第35-37页 |
| 3.4.3 横向比较与分析 | 第37-40页 |
| 3.5 相关工作 | 第40-41页 |
| 3.6 本章总结 | 第41-42页 |
| 第四章 基于GPU的预条件共轭梯度算法优化 | 第42-49页 |
| 4.1 算法描述 | 第42-45页 |
| 4.2 实验分析 | 第45-47页 |
| 4.3 相关工作 | 第47-48页 |
| 4.4 本章总结 | 第48-49页 |
| 第五章 基于XEON PHI的预条件共轭梯度算法优化 | 第49-59页 |
| 5.1 算法优化 | 第49-54页 |
| 5.1.1 MPI数据传输 | 第52页 |
| 5.1.2 OPENMP并行优化 | 第52-53页 |
| 5.1.3 减少数据依赖 | 第53页 |
| 5.1.4 向量化优化 | 第53页 |
| 5.1.5 计算异步 | 第53-54页 |
| 5.2 实验分析 | 第54-57页 |
| 5.3 相关工作 | 第57页 |
| 5.4 本章总结 | 第57-59页 |
| 第六章 结论与展望 | 第59-62页 |
| 6.1 总结 | 第59-61页 |
| 6.1.1 基于GPU的性能优化 | 第59-60页 |
| 6.1.2 基于MIC的性能优化 | 第60-61页 |
| 6.1.3 基于GPU和MIC的对比 | 第61页 |
| 6.2 未来工作 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 攻读硕士学位期间取得的研究成果 | 第68页 |
| 硕士学位期间参与跟论文相关的项目 | 第68-69页 |
| 致谢 | 第69-70页 |
| 附件 | 第70页 |
