并行Kriging地层电性参数分布估计

为提高突变型地层媒质中电性参数分布预测的计算速度,在建立地层电性参数的Kriging插值模型的基础上,基于MPI开发一种并行Kriging插值算法。在Windows 2000 操作系统上搭建了并行计算环境,统计数据表明该并行算法能有效节省计算时间并具有良好的扩展性。     

并行粗粒度任务的动态分布算法(PTDD)及其鲁棒性

并行计算系统发展所面临的主要问题之一是怎样在各处理器上更有效地分布并行任务并协调它们的高效执行,使并行任务总的完成时间最短.本文揭示和探讨了并行多机系统中并行粗粒度任务的粒度变化对静态任务分布的影响,给出了基于预分布的并行粗粒度任务的动态分布算法PTDD,理论上严格地定义和证明了PTDD算法的鲁棒性(Robust Property).研究结果η~*(t~*)≤η(t~*)表明PTDD算法通过局部调整预分布方案,可以稳定地、有效地获得近似最优的并行任务分布.     

基于改进属性约简的细粒度并行AP聚类算法

Affinity Propagation(AP)聚类算法将所有数据点作为潜在的聚类中心,在相似度矩阵的基础上通过消息传递进行聚类.与传统聚类方法相比,对于规模很大的数据集,AP是一种快速、有效的聚类方法.正是这样,属性约简对于AP算法非常重要.另外,在大规模并行系统的设计中,细粒度并行是实现高性能的基本策略.提出了一种基于改进属性约简的细粒度并行AP聚类算法(IRPAP),将粒度思想引入到并行计算中.首先分析了并行计算中的粒度原理.然后用改进的属性约简算法对数据集预处理.此算法并行计算并选择差别矩阵元素,降低了时间空间复杂度,最后用AP算法聚类.整个IRPAP算法将任务划分到多个线程同时处理.实验证明,对于大规模数据集的聚类,IRPAP算法比AP算法效率更高.     

多层油藏模拟并行计算与负载平衡

在油藏数值模拟并行计算中，提高计算速度和资源利用率是一个重要的研究方向，给出分布式并行环境下一种多层油藏模拟并行计算的整体优化方法，其特点是使用高效的区域分解方法并行求解，动态选择两种不同的计算粒度，有效地克服了负载不均衡带来的性能下降问题，实际模型计算表明，此方法策略减少了整体模拟计算时间，并获得较高加速比，采用的算法适用于一类多层油藏模型问题。     

基于MPI的层状地层并行可视化技术

为了提高层状地层的可视化绘制速度,结合地质探勘数据的特点,基于MPI开发地层的并行可视化程序,并采用Kriging方法对多个地层的数据进行并行插值计算。利用多台PC机搭建Windows2000 操作系统下的并行计算环境,计算时间统计数据对比表明并行计算方法能有效地节省计算时间。     

基于MPI的并行Kriging空间降水插值

为减少空间降水插值的计算时间,以MPI并行接口为技术手段,采用数据划分建模方法,实现改进Kriging算法的并行算法.在Linux操作系统上搭建并行计算环境,试验数据表明,该并行算法能有效节省计算时间并具有良好的加速比、并行效率和扩展性.为Kriging插值算法的并行化实现和应用提供有意义的参考.     

基于动态粒度的并行人工免疫聚类算法

从粒度的角度讨论了聚类结果和先验知识的协调度问题,提出了一种基于动态粒度的并行免疫聚类算法。鉴于并行人工免疫系统模型具有并行、随机搜索、反复进化和模式多样性等特点,将其与动态粒度模型相结合,在粒度变化过程中,通过对粒度粗化和细化的调整,选择合适粒度,保证了算法的聚类效率和聚类质量。实验证明,该算法在处理多样本、多属性、多类别问题时,是一种有效的方法。     

一种改进的基于质心的文本分类算法

文本分类是数据挖掘与信息检索领域的热点话题,近年来迅速发展。基于质心的方法是一种建模迅速且效果较好的文本分类方法,许多学者对该方法进行了深入研究并提出改进策略,不断提高算法效果。提出一种新的动态调整质心位置算法,该算法根据训练集中的每个样本文本动态的调整质心位置。并且针对海量数据处理瓶颈,运用当前两种并行计算框架MapReduce和BSP,提出了算法的并行策略。通过与其它算法在5种不同数据集中的对比实验,证明该方法确有较准确的分类效果。     

并行自适应动态克隆选择算法

提出了一个并行自适应动态克隆选择算法。在算法的每次迭代过程中,首先动态地计算出每个抗体的变异概率,然后根据抗体的亲和度将抗体种群动态分为记忆单元和一般抗体单元,紧接着以球面杂交方式对种群进行调整,从而加快了算法的全局搜索速度。同时,针对算法计算量大、耗时长的缺点,结合已有的并行计算技术,构造出了算法的并行计算方法。实例验证了所提并行算法的有效性、可行性。     

基于GPU实现叠前时间偏移走时计算的并行算法

走时计算是叠前时间偏移计算中最耗时的部分,通过分析传统的串行走时算法,发现静态8点插值算法非常适合在GPU上运行。首先利用CUDA技术对静态8点插值算法进行并行化改造,设计静态8点并行插值算法,然后测试其正确性,统计其相对误差情况。实验表明此算法比工业生产上的动态插值算法更准确,最后我们利用体偏作性能测试。试验结果表明,运行在GPU上的静态8点并行插值算法内核性能是运行在CPU上的动态插值算法内核的22．76倍。这说明,静态8点并行插值算法适合进行走时计算,并且可以应用于工业生产上。