基于GPU的并行计算性能分析模型

针对GPU并行计算领域缺少精确的性能分析模型和有针对性的性能优化方法,提出一种基于GPU的并行计算性能定量分析模型,其通过对指令流水线、共享存储器访存、全局存储器访存的性能建模,来定量分析并行程序,帮助程序员找到程序运行瓶颈,进行有效的性能优化。实验部分通过3个具有代表性的实际应用(稠密矩阵乘法、三对角线性方程组求解、稀疏矩阵矢量乘法)的性能分析证明了该模型的实用性,并有效地实现了算法的优化。     

时滞基因调控网络的全局渐进稳定性分析

针对一类时滞基因调控网络的全局渐进稳定性进行了研究, 利用Lyapunov泛函、线性矩阵不等式（LMIs）和自由权值矩阵（free-weighting matrices）技术, 得到了一些新的时滞相关的基因调控网络稳定性充分条件。通过在Lyapunov泛函中使用辅助矩阵E, 并对调控函数条件一般化, 取得的结果具有较少的保守型和更广的适用性。该结果为人工设计基因芯片提供一定的参考作用。仿真示例进一步验证了结论的有效性。     

CPU/GPU协同并行计算研究综述

CPU/GPU异构混合并行系统以其强劲计算能力、高性价比和低能耗等特点成为新型高性能计算平台,但其复杂体系结构为并行计算研究提出了巨大挑战。CPU/GPU协同并行计算属于新兴研究领域,是一个开放的课题。根据所用计算资源的规模将CPU/GPU协同并行计算研究划分为三类,尔后从立项依据、研究内容和研究方法等方面重点介绍了几个混合计算项目,并指出了可进一步研究的方向,以期为领域科学家进行协同并行计算研究提供一定参考。     

多图像同态滤波的 CPU 和 GPU 并行计算磁

采取 CPU 分发图像滤波任务和回收滤波结果、将多个图像数据划分分配给多个 GPU 及其线程块、GPU 调用核函数库对图像进行傅里叶变换和反傅里叶变换的方法,设计实现了 CPU 和 GPU 协同计算的多图像同态滤波并行算法。实验结果表明,给出的多图像同态滤波并行算法高效,与单 GPU 计算的并行算法相比,多 GPU 协同计算的并行算法显著缩短了多个图像同态滤波处理所需的时间。     

GPU矩阵乘法的性能定量分析模型

性能评价和优化是设计高效率并行程序必不可少的重要工作,存储系统的性能高低直接影响到处理器的整体性能。利用GPGPU-Sim对GPU的存储层次结构进行了模拟,找出了SM数量与存储控制器数量之间最佳配置关系。矩阵乘法是科学计算领域中的基本组成部分,是一种具有计算和访存密集特点的典型应用,其性能是GPU高性能计算的一个重要指标。性能模型作为并行系统性能评价的新的技术解决方案,具有许多其它性能评价方法无法比拟的优势。建立了一个性能模型,模型通过对指令流水线、共享存储器访存、全局存储器访存进行定量分析,找到了程序运行瓶颈,提高了执行速度。实验证明,该模型具有实用性,并有效地实现了矩阵乘法的优化。     

多核CPU/GPU平台下的集合求交算法

提出一个多核CPU/GPU混合平台下的集合求交算法.针对CPU端求交问题,利用对数据空间局部性和中序求交的思想,给出内向求交算法和Baeza-Yates改进算法,算法速度分别提升0.79倍和1.25倍.在GPU端,提出有效搜索区间思想,通过计算GPU中每个Block在其余列表上的有效搜索区间来缩小搜索范围,进而提升求交速度,速度平均提升40％.在混合平台采用时间隐藏技术将数据预处理和输入输出操作隐藏在GPU计算过程中,结果显示系统平均速度可提升85％.     

胃癌模糊基因调控网络的构建

基因调控网络的研究是以系统的观点为出发点,从基因之间相互作用的角度揭示复杂的生命现象.生命体通过调节差异基因表达来控制其生长、遗传和变异行为.差异表达基因之间的相互作用是构建基因调控网络的纽带,网络中差异表达的基因可以揭示与癌症相关基因的信息.基因网络模型为深入理解生命本质提供了有益的参考,本文提出了一种新颖的方法来预测基因调控网络,即将模糊理论引入基因网络的构建中,阐述了模糊理论基因调控网络建模的机理并初步建立了胃癌模糊基因调控网络,对研究胃癌的发生和发展机理有重要的理论意义和应用价值.     

CPU/GPU异构计算应用于核电模拟机的可行性

根据ANSI/ANS-3.5-1998规定以及核电厂建模精度的提高,对核电模拟机仿真速度提出了更高的要求。但是目前已难以通过提升中央处理器（ CPU）频率的方式来提升现有模拟机的运算速度。与此同时,CPU/GPU异构计算融合了串行/并行计算,利用显卡（ GPU）的并行计算能力可极大提升现有桌面电脑的运算能力,目前已经广泛应用于科学研究。英伟达公司的CUDA平台被用于开发CPU/GPU异构计算应用程序,来提升核电厂全范围模拟机的仿真计算。通过核电厂全范围模拟机运行测试对比,证实使用CPU/GPU异构计算程序,能有效提升模拟机运行速度。     

大论战：CPU、GPU谁更重要？

当PC进入视觉计算时代之后,人们开始发现Pc性能的提升对于GPU的依赖性已经超过了CPU。“CPU、GPU谁更重要”,“GPU是否会取代CPU成为PC核心”,“未来是CPU取代GPU,还是GPU取代CPU”等一系列的争论成为了最近人们讨论最多的话题。     

基于因果关系挖掘的概率基因调控网络的构建

科学的基因聚类方法是构建基因调控网络的前提,但仅以聚类作为构建网络的主要手段只能找到共同调控的基因,不能精确反映基因之间的相互作用过程。贝叶斯网络模型通过基于图的方式求得多变量之间条件独立的概率因果关系,但因其计算复杂性受到应用层面的限制。该文综合考虑几方面因素,在对基因进行聚类基础上,通过对调控关系的预测获得对目标基因的调控基因组,再利用LCD(local causal relation discovery)方法通过限制搜索条件发现基因间的独立关系,进而获得基因调控网络。实验结果表明了该方法的可行性和有效性。     

CPU/GPU 异构环境下图像协同并行处理模型

随着GPU通用计算能力的不断发展,一些新的更高效的处理技术应用到图像处理领域.目前已有一些图像处理算法移植到GPU中且取得了不错的加速效果,但这些算法没有充分利用CPU/GPU组成的异构系统中各处理单元的计算能力.文章在研究GPU编程模型和并行算法设计的基础上,提出了CPU/GPU异构环境下图像协同并行处理模型.该模型充分考虑异构系统中各处理单元的计算能力,通过图像中值滤波算法,验证了CPU/GPU环境下协同并行处理模型在高分辨率灰度图像处理中的有效性.实验结果表明,该模型在CPU/GPU异构环境下通用性较好,容易扩展到其他图像处理算法.     

GPU乎？CPU乎？协处理器乎？

从去年下半年开始，NVIDIA开始大力推广视觉计算的概念，并且大胆的提出了“GPU和CPU，哪个对系统性能影响更大的问题”，而深感受到威胁的英特尔，则针锋相对地提出了通用处理器的概念，宣称衍生自CPU结构的通用处理器必将取代传统的GPU。     

基于CPU/GPU异构模式的高光谱遥感影像数据处理研究与实现

近年来,基于GPU的新型异构高性能计算模式的蓬勃发展为众多领域应用提供了良好的发展机遇,国内外遥感专家开始引入高性能异构计算来解决高光谱遥感影像高维空间特点所带来的数据计算量大、实时处理难等问题。在此简要介绍了高光谱遥感和CPU/GPU异构计算模式,总结了近几年国内外基于CPU/GPU异构模式的高光谱遥感数据处理研究现状和问题;并面向共享存储型小型桌面超级计算机,基于CPU/GPU异构模式实现了高光谱遥感影像MNF降维的并行化,通过与串行程序和共享存储的OpenMP同构模式对比,验证了异构模式在高光谱遥感处理领域的发展潜力。     

进化基因调控网络的动力学特性分析

基于编码网络和动态特性的人工基因组模型,提出了一种可变长度的基因片段复制与歧化模型进化基因调控网络。应用分析和模拟技术,发现这类进化基因调控网络以更大的概率运转在有序状态,以更小的概率运转在混沌状态。结果表明,进化网络与生物网络有相近的动力学特性。     

基于改进SEM算法的基因调控网络构建方法*

动态贝叶斯网络（DBN）是基因调控网络的一种有力建模工具。贝叶斯结构期望最大算法（SEM）能较好地处理构建基因调控网络中数据缺失的情况,但SEM算法学习的结果对初始参数设置依赖性强。针对此问题,提出一种改进的SEM算法,通过随机生成一些候选初始值,在经过一次迭代后得到的参数中选择一个最好的初始值作为模型的初始参数值,然后执行基本的SEM算法。利用啤酒酵母细胞周期微阵列表达数据,构建其基因调控网络并与现有文献比较,结果显示该算法进一步提高了调控网络构建的精度。     

CPU/GPU 集群上求解偏微分方程的可扩展混合算法

当前世界上排前几位的超级计算机都基于大量CPU和GPU组合的混合架构,它们对某些特殊问题,譬如基于FFT的图像处理或N体颗粒计算等领域可获得很高的性能。但是对由有限差分(或基于网格的有限元)离散的偏微分方程问题,于CPU/GPU集群上获得较好的性能仍然是一种挑战。本文提出并测试一种基于这类集群架构的混合算法。算法的可扩展性通过区域分解算法实现,而GPU的性能由基于光滑聚集的代数多重网格法获得,避免了在GPU上表现不理想的不完全分解算法。本文的数值实验采用32CPU/GPU求解用差分离散后达三千万未知数的偏微分方程。     

基于Logistic回归模型的时变结构基因调控网络构建

目前,由大多数基因调控网络的重构方法推导出的网络结构是静态的,即不随时间改变.但在细胞周期或一个有机体的不同生长阶段,调控网络的拓扑结构会发生显著变化.这为深入了解基因调控的时空机制带来困难.因此,文中提出一种基于时延互信息和核权重l1正则化Logistic回归模型学习时变结构基因调控网络的算法.将其应用于两种生物情景数据:黑腹果蝇在不同阶段的肌肉发育和酿酒酵母苯菌灵中毒后的反应.实验结果显示,该方法能反映不同细胞状态对基因间相互作用的影响,有效获取基因调控网络随时间变化的动态效应.     

用并行计算从基因表达数据构建大规模基因调控网络

为解决大规模基因调控网络构建算法精度不高、计算时间过长的问题,提出一种从基因表达数据分析出发,并行计算和阈值限定相结合的新算法来构建大规模基因调控网络。该算法中基因间交互强度值采用条件互信息值度量,并行计算采用GPU与CPU相结合的CUDA与Open MP架构。综合数据集的运行结果证明该算法较新的构建算法(如贝叶斯模型算法和微分方程模型算法)相比,在构建大规模基因调控网络时有更高的运算精度和更短的运行时间。     

构建时延基因调控网络的多数据源融合算法

为了进一步提高基因调控网络构建的精确度,提出一种基于多数据源融合的时延基因调控网络构建算法.该算法基于递归模糊神经网络模型,使用时序互信息估计基因间的转录时延,并限制每个基因的潜在调控基因,从而有效提高建网的效率.在网络结构学习阶段,使用离散多目标粒子群优化(discrete multi-objective particle swarm optimization,dMOPSO)算法实现从时序基因表达数据和CHIP-chip数据共同构建基因调控网络.人工模拟数据和酵母菌细胞周期表达数据的实验结果表明该算法能正确选出潜在的调控基因,从而更加精确地构建基因调控网络.