并行演化算法在MEMS继电器参数优化中的应用

使用演化算法求解MEMS继电器参数优化主要瓶颈在于算法运行时间过长,而算法运行时间过长主要由于电磁仿真软件进行建模和分析需要耗费大量的计算时间。针对该问题,采用主从并行模式,对演化算法个体适应值计算阶段并行化处理。在充分考虑计算机资源的使用效率与负载均衡等因素下,使服务器尽量少地参与任务计算及减少与客户机的通信以增强并行模式的分布能力,并且增加了客户端掉线处理,任务重分配等操作以增强并行模式的容错能力。经过测试,该并行演化算法在MEMS微波继电器参数优化上加速比接近线速,具有良好的并行效率且容错性较高。     

基于WIN32并行虚拟机在演化硬件中的应用研究

利用遗传算法(GA)的群体搜索模式,在演化硬件(EHW)应用中根据其本身具有的并行性,采用并行算法提高演化速度。以Messy门模型为例,介绍了利用PVM(并行虚拟机)在演化硬件问题中提高计算速度的应用,并通过与串行算法的比较,得出了在演化硬件研究中采用并行处理的优势。     

随机算法异步并行化的效率分析

随机算法的执行时间具有不确定性,这种不确定性为随机算法的异步并行提供了良好的基础,已有许多计算实验表明了随机算法的异步并行可以达到线性甚至超线性的加速.对于求解SAT问题的随机算法RDP,研究了异步并行效率与运行时间分布和处理器数目之间的关系.应用一种单峰分布──分段线性分布模型来模拟随机算法的运行时间分布.理论分析和计算结果均表明:当处理器数目k较小和单峰位于分布的前部时,随机算法的异步并行具有近线性加速.     

基于思维进化与空间分解并行演化算法研究

在分析已有的演化计算并行化实现策略的基础上,构造一种基于思维进化与空间分解并行策略的演化算法(MLSP-PEA).将思维进化与空间分解技术相结合,采用趋同与异化操作,获得了较好的解精度以及可扩展性.自强3000上的实验结果表明,在处理多维函数优化问题时,MLSP-PEA与基于空间分解并行策略的演化算法(SP-PEA)相比具有更好的解精度以及更快的收敛速度.     

面向申威众核处理器的并行SaNSDE算法

演化算法作为解决大规模优化问题的重要方法,被广泛应用于机器学习、过程控制、工程优化、管理科学和社会科学等领域.然而在求解高维度、高计算密度问题时,程序性能很难得到保证.在高性能计算机上实现并行化是问题的一个热门解决方案.针对申威众核处理器的硬件特征,提出了采用二级并行策略的自适应邻域搜索的差分进化算法(SaNSDE).第一级为进程并行,实现了合作协同进化模型和池模型,将大规模问题划分为多个低维子问题并分布在不同进程上;第二级为线程并行,使用从核加速了适应度的计算过程.实验结果表明,采用合作协同进化模型和池模型的算法与传统的并行算法相比,经过多核扩展之后收敛效果提升更加明显.相较于串行版本算法,二级并行的SaNSDE算法在四个测试函数上分别获得了134.29、186.05、239.01和189.80的最大加速比.     

粒子跟踪算法的并行设计

任何算法的有效并行要求深入了解计算过程的细节,掌握参与计算的各个数据部分之间的相互依赖关系,针对计算的类型和应用的约束条件提出合理的任务划分和算法分解方案.因此,本文首先介绍了粒子跟踪算法的计算过程,并分析了该算法并行设计的可能性.从计算过程的数据相关性出发,我们给出了具体的并行绘制模型,设计出可行的并行划分策略.最后,对该并行策略进行了测试,验证了该设计的正确性和可行性.     

基于集群SPMD算法及演化计算并行研究

高性能计算在科学研究领域有着广泛的应用。演化计算因具有计算规模大、种群中个体相关性小等优点，成为并行计算研究的主要对象之一。提出两种并行策略，对顺序GA（Genetic Algorithm）实现并行。首先使用主从模式对多种群协同遗传算法实现并行，在此基础上通过对算法进一步改进，实现了基于对等模式的并行演化计算，从而提高了算法可扩展性。比较了两种并行模式的各自特点，通过SPMD（Single Program MultipleData）算法实现茄基于上海大学“自强2000”高性能计算机上的实例验证，改进算法具有更好的可扩展性，更易于推广到网格环境。     

LBGK模型的分布式并行算法及实现

在计算流体力学领域中,由于流场求解的复杂性,设计出高效的并行算法成为了流场并行化计算的研究重点.以格子Boltzmann方法的理论应用为研究背景,把并行思想和格子Boltzmann方法在模拟流体流动中的计算问题结合起来,讨论了格子Boitzmann方法LBGK D2Q9模型的计算过程和计算特点.研究并实现了LBGK模型的分布式并行算法,并在自强3000上进行了算法的并行性能的分析和测试.结果表明,格子Boltzmann方法LBGKD2Q9模型适合大规模的并行计算,能提高计算的精度和速度,解决复杂流场计算问题.     

并行计算水下大尺度弹性壳体的低频声散射

有限元与边界元耦合模型是研究水下弹性壳体目标低频声散射常用的数值方法。应用该模型计算大尺度弹性目标的声散射时需要大量的计算时间与存储空间,采用并行数值的方式可以解决这一问题。首先并行计算生成有限元矩阵和边界元矩阵,然后应用并行化的广义极小残差(GMRES)迭代算法求解大型非对称线性方程组。详细叙述了并行GMRES(m)迭代算法的执行过程,并以球壳的声散射计算为例分析了迭代步数对算法收敛情况的影响。最后计算了Benchmark目标模型的低频散射声场,分析了其收发分置散射目标强度以及表面声场的分布。     

遥感图像K-Means并行算法研究

K-Means算法是对遥感图像在没有先验知识情况下进行无监督分类的重要算法之一,在遥感影像的分析中得到了广泛的应用.针对K-Means算法复杂,处理过程中计算时间长的缺点,人们试图寻求快速的并行处理方式.在这种并行化的探索过程中,由于K-Means算法独特的流程结构,使其并行化处理方式难以顺利进行.本文在分析K-Means算法特点的基础上,对其并行化方式进行了深入的研究.针对K-Means算法并行化在处理速度和分类精度方面存在的问题,提出了一种基于分块逼近的算法并行模型,可兼顾并行效率和分类精度之间的综合要求,实现某种精度可控的并行处理.最后,根据实验结果讨论并提出了迭代算法并行化的有效途径.