基于CUDA的大规模线性稀疏方程组求解器的设计-电子与通信工程专业论文.docxVIP

万方数据 万方数据 分类号 密级 UDC 学 位 论 文 基于 CUDA 的大规模线性稀疏方程组求解器的设计 （题名和副标题） 吴长江 （作者姓名） 指导教师姓名 李 雪 副教授 电子科技大学 成 都 （职务、职称、学位、单位名称及地址） 申请学位级别 硕 士 专业名称 电子与通信工程 论文提交日期 2013.04.30 论文答辩日期 2013.05.20 学位授予单位和日期 电子科技大学 2013 年 06 月 26 日 答辩委员会主席 评阅人 DESIGN OF THE SOLVER FOR LARGE SCALE LINEAR SPARSE EQUATIONS BASED ON CUDA A Master Thesis Submitted to University of Electronic Science and Technology of China Major: Electronic and Communication Engineering Author: Changjiang Wu Advisor: Xue Li Associate Professor School: School of Aeronautics and Astronautics 独 创 性 声 明 本 人 声明 所呈 交的学 位 论文 是本 人在导 师 指 导下进行的 研 究工作及 取得的 研 究成果。 据我所 知 ，除了文 中特别 加 以标注 和致谢的 地方外 ， 论文中不 包含其 他 人已经发 表或撰 写 过的研 究成果， 也不包 含 为获得电 子科技 大 学或其它 教育机 构 的学位 或证书而 使用过 的 材料。与 我一同 工 作的同志 对本研 究 所做的 任何贡献均已在论文中作了明确的说明并表示谢意。 签名： 日期： 年 月 日 关于论文使用授权的说明 本 学 位论 文作 者完全 了 解电 子科 技大学 有 关 保留、使用 学 位论文的 规定， 有 权保留并 向国家 有 关部门或 机构送 交 论文的 复印件和 磁盘， 允 许论文被 查阅和 借 阅。本人 授权电 子 科技大 学 可 以 将 学 位 论 文 的 全 部 或 部 分 内 容 编 入 有 关 数 据 库 进 行 检 索，可以 采用影 印 、缩印或 扫描等 复 制手段保 存、汇 编 学位论 文。 （保密的学位论文在解密后应遵守此规定） 签名： 导师签名： 日期： 年 月 日 II 摘 要 摘 要 大规模线性方程组的求解一直都是科学计算里的重要问题。随着图形处理器 (GPU)硬件架构的不断发展，GPU 的功能已经衍生到 GPU 通用计算领域。GPU 作 为 CPU 的协处理器完成大规模密集型计算任务，计算能力与小规模的集群相当。 相比集群，GPU 在功耗和成本上占有优势。2007 年 NVIDIA 推出 CUDA 并行计算 平台，降低了使用 GPU 加速计算的难度，科员人员可以更方便的使用 GPU 加速 计算科研中的问题，这使得越来越多的领域开始引入 GPU 计算。 本文在 CUDA 平台上，在 GPU 上实现大规模的稀疏线程方程组的求解。对于 大规模的稀疏矩阵采用 CSR 存储。方程组的求解采用共轭梯度算法(CG)求解。共 轭梯度法中的稀疏矩阵矢量乘(SpMV)、矢量内积操作和矢量加减操作采用 GPU 计 算。其中 SpMV 和矢量内积自己动手编程相应代码，矢量加减采用 NVIDIA 提供 的 CUBLAS 库函数来实现。在本文的稀疏矩阵是对称正定，在 CSR 存储时只存储 上三角数据。在对上三角的数据 SpMV 操作时，把 SpMV 分解为乘法和加法操作。 在计算矩阵下三角的 SpMV 需要利用存储的上三角数据。在设计的算法中，引入 原子操作来避免多个线程同一时刻对同一地址读写。目前 GPU 显存最大只有 6GB， 需要对大规模的稀疏矩阵分块处理。设计有别于常见的矩阵均分分块算法，该算 法根据 GPU 显存的限制装载适量数据到 GPU 中，提高 GPU 的利用率。矢量内积 操作在 GPU 规约中采用增加偏移量的办法来避免 bank 冲突，从而提高程序性能。 实现的 GPU 矢量内积操作比 NVIDIA 自带的 CUBLAS 效率要高。最后在 CG 算法 上添加雅克比预处理(JP),采用雅克比预处理共轭梯度法(JPCG)求解方程组. 在用 GTX480 的显卡和 i5 的 CPU 硬件平台上，通过对多组不同规模的稀疏 矩阵性能分析，在相比 CPU 的计算结果，GPU 实现的 SpMV 操作可以获得 30 倍 的加速，矢量内积在测试数据下有 6 倍的加速，对于整个求解过程加速比最高