| 摘要 | 第1-6页 |
| ABSTRACT | 第6-13页 |
| 第一章 绪论 | 第13-17页 |
| ·研究背景及意义 | 第13-15页 |
| ·论文的主要贡献 | 第15页 |
| ·论文的组织结构 | 第15-17页 |
| 第二章 GPU 技术 | 第17-29页 |
| ·GPGPU 概述 | 第17-19页 |
| ·GPU 体系构架 | 第19-22页 |
| ·计算单元 | 第19-21页 |
| ·存储机制 | 第21-22页 |
| ·CUDA 简介 | 第22-27页 |
| ·CUDA 线程机制 | 第22-24页 |
| ·CUDA 访存机制 | 第24-25页 |
| ·CUDA 并行机制 | 第25-27页 |
| ·本章小结 | 第27-29页 |
| 第三章 基于 GPU 的社团结构识别算法的实现及优化 | 第29-57页 |
| ·串行的社团结构识别算法的实现 | 第30-35页 |
| ·社团结构识别一般概率框架方法 | 第30页 |
| ·社区结构识别算法的串行算法的实现 | 第30-35页 |
| ·基于 GPU 的社团结构识别算法的并行设计 | 第35-39页 |
| ·二项分布化并行设计策略 | 第36-37页 |
| ·关联性计算并行设计策略 | 第37-38页 |
| ·GPU上核函数的设计 | 第38-39页 |
| ·基于 GPU 的并行社团结构识别算法的实现 | 第39-41页 |
| ·并行算法的步骤 | 第39页 |
| ·并行算法的实现 | 第39-41页 |
| ·程序的优化 | 第41-51页 |
| ·社区结构连接概率计算优化 | 第42-43页 |
| ·社区结构更新优化 | 第43-48页 |
| ·基于GPU的优化 | 第48-51页 |
| ·实验结果的分析 | 第51-55页 |
| ·串行与并行算法结果正确性比较 | 第51-52页 |
| ·优化前后的算法时间比较 | 第52-53页 |
| ·GPU 与 CPU 算法时间的比较 | 第53-55页 |
| ·本章小结 | 第55-57页 |
| 第四章 社团结构识别算法在平均路径长度计算中的应用 | 第57-67页 |
| ·平均路径长度计算 | 第57-62页 |
| ·APSP 问题 | 第57-58页 |
| ·网络平均路径长度串行计算的实现 | 第58-59页 |
| ·基于 GPU 的网络平均路径长度计算 | 第59-62页 |
| ·将社团结构识别算法应用到路径长度问题中 | 第62-66页 |
| ·基于社团结构的网络平均路径长度的计算 | 第62-64页 |
| ·整个方法的串行化实现 | 第64-65页 |
| ·实验结果分析 | 第65-66页 |
| ·本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| ·总结 | 第67页 |
| ·展望 | 第67-69页 |
| 参考文献 | 第69-71页 |
| 致谢 | 第71-72页 |
| 研究成果及发表的学术论文 | 第72-73页 |
| 作者和导师简介 | 第73-74页 |
| 附件 | 第74-75页 |