在库管理问题の动的计画法による解法とCUDAを用いた高速化.pptVIP

在庫管理問題の動的計画法による解法とCUDA を用いた高速化 SACSIS2008 2008年6月12日 李天*1 河畠工*1 山本有作*1 畝山多加志*2 張紹良*1 もくじ １.　はじめに ２.　問題設定 ３.　動的計画法による解法 ４.　GPGPUのための統合環境CUDA ５.　動的計画法のCUDAによる高速化 ６.　性能評価 ７.　おわりに １.　はじめに GPU（Graphics Processing Unit）の高速化 CPUを大きく上回るペースで演算性能が向上 グラフィックスメモリも大容量化?高速化 従来のGPGPUの問題点 特殊なプログラミング手法が必要 グラフィックスAPI ストリーム言語 GPUの内部構造に関する情報が乏しい データアクセス（特に書き込み）に関する強い制限 GPGPUのための統合環境CUDA nVIDIA社のGPU上でGPGPUを実現するため，2006年に同社が発表した統合プログラミング環境 特徴 標準のC言語 + 簡単な拡張でGPUのプログラミングが可能 標準により近いメモリモデル スレッド並列による多数のストリーミングプロセッサの利用 nVIDIA社の最新GPU向けの最適化機能 チューニングのための情報が豊富 詳細なマニュアル Web上のフォーラム CUDAの利用例 行列計算 FFT 重力多体計算 分子軌道法 気象予測 画像処理 データマイニング バイオインフォマティクス 本研究の目的 ある組合せ最適化問題をCUDAで高速化 企業の現場で現れる在庫管理計画問題 動的計画法による解法をベースとする 実用的な時間での求解を目指す 動的計画法を用いた最適化が，GPU向きの計算であることを明らかにする 多数の応用（ポートフォリオ最適化，オプション価格評価など） ２.　問題設定 在庫管理計画問題 N日の間，毎日トラックで来る原料を，K個ある倉庫のどれかに搬入 各倉庫中の原料は，毎日少しずつ搬出され，工場で消費される。 各倉庫の充填率が上下限に近づきすぎないよう搬入先を予め計画 数学的定式化 変数と定数 充填率の変化を表す式 目的関数 問題の特徴と解法の候補 問題の特徴 独立変数 {j(n)}n=1N が整数値のみを取る組合せ最適化問題 K=5，N=90 （実問題のサイズ）の場合，可能な組合せは 590 と膨大 解法の候補 0-1整数計画法 メタヒューリスティクス 動的計画法 ３.　動的計画法による解法 n日目以降の部分目的関数 n日目以降に最適戦略を取った場合の部分目的関数（価値関数） G(n) の満たす漸化式（Bellman方程式） 動的計画法の図解（K=2の場合） 動的計画法の図解（K=2の場合） 離散化と補間 離散化 計算を行うため，充填率の空間（状態空間）を格子に分割 以下，各方向の格子点数をLとする。 最適計画の作成 状態空間の次元縮小 充填率の変化を表す式 　　について，kとnに関する和を取り，　　　　　　　　　　 を用いると， 　　右辺は定数だから，これはK個の充填率のうちK–1個のみが独立であることを示す。 これを用いて，状態空間の次元を１だけ縮小可能 アルゴリズム（K=4, 後ろ向き計算の部分のみ） 動的計画法による解法の特徴 計算量が O(NLK–1K2)，メモリ量が O(LK–1) と大きい K=5，N=90，L=80 の実問題の場合，Core2Duo で90分程度 実務上は数分程度で計算できることが望ましい 所要メモリは約400MB 並列性は極めて高い LK–1 個の格子点での計算が完全並列 計算は単精度で十分 主要な誤差は離散化誤差 丸め誤差は無視できる メモリバンド幅に対する要求が高い 計算量の大部分を占める補間演算では，演算量とアクセス回数は同程度 ４.　GPGPUのための統合環境CUDA CUDAのプログラミングモデル CPUのmain関数から，GPUで実行されるカーネルを呼び出す CPUとGPUのメモリ空間は別々。cudaMemcpy関数でデータ転送 ブロックとスレッドによる並列化 多数のスレッドを時分割で実行し，GPUメモリのレイテンシを隠蔽 CUDAのメモリモデル メモリ階層 全スレッドでの共有メモリ グローバルメモリ 定数メモリ（キャッシュあり） ????????（キャッシュあり） ブロックごとの共有メモリ スレッド毎のローカルメモリ レジスタ カーネル中でのスレッド間同期 ブロック内では同期可能 ブロック間では同期不可 チューニングの指針 データ参照の局所性向上 共有メモリ，定数メモリ，レジスタの活用 スレッド数をできるだけ多くする CPUメモリとの間のデータ転送の最小化 IF文の排