分数阶微分方程的一种细粒度数据级并行算法

J4 ›› 2013, Vol. 35 ›› Issue (11): 76-79.

分数阶微分方程的一种细粒度数据级并行算法

龚春叶1,2,3,包为民1,闵昌万1,张烨琛1，刘杰3

(1.空间物理重点实验室,北京 100076;2.国防科学技术大学航天科学与工程学院,湖南长沙 410073；3.国防科学技术大学计算机学院,湖南长沙 410073)

收稿日期:2013-08-25 修回日期:2013-10-15 出版日期:2013-11-25 发布日期:2013-11-25
基金资助:
国家自然科学基金资助项目（11175253）

A fine-grain data-level parallel algorithm
for fractional differential equations

GONG Chun-ye1,2,3,BAO Wei-min1,MIN Chang-wan1,ZHANG Ye-chen1,LIU Jie3

(1.Science and Technology on Space Physics Laboratory,Beijing 100076;
2.School of Aerospace Science and Technology,National University of Defense Technology,Changsha 410073;
3.School of Computer Science,National University of Defense Technology,Changsha 410073,China)

Received:2013-08-25 Revised:2013-10-15 Online:2013-11-25 Published:2013-11-25

摘要/Abstract

摘要：

在GPU上基于CUDA编程模型提出针对Riesz空间分数阶扩散方程显式有限差分法的细粒度数据级并行算法。对算术逻辑操作的基本CUDA核心的细节及网格点值的计算优化进行了描述。实验结果表明，本文提出的并行算法与精确解符合得很好, 在NVIDIA Quadro FX 5800 GPU上的运行速度超过多核Intel Xeon E5540 CPU并行算法的运行速度四倍有余。关键词：

关键词: 分数阶微分方程, Riesz分数阶, 并行计算, 并行算法, GPU

Abstract:

The paper proposes a fine-grain data-level parallel algorithm for Riesz space fractional diffusion equation with explicit finite difference method and implements it with CUDA parallel programming model on GPU. The details of basic CUDA kernels for these operations and optimization of the production of grid points are described. The experimental results show that the parallel algorithm compares well with the exact analytic solution and runs more than four times faster on NVIDIA Quadro FX 5800 GPU than the parallel CPU solution on multi-core Intel Xeon E5540 CPU.

Key words: fractional differential equation;Riesz fractional;parallel computing;parallel algorithm;GPU

龚春叶1,2,3,包为民1,闵昌万1,张烨琛1，刘杰3. 分数阶微分方程的一种细粒度数据级并行算法[J]. J4, 2013, 35(11): 76-79.

GONG Chun-ye1,2,3,BAO Wei-min1,MIN Chang-wan1,ZHANG Ye-chen1,LIU Jie3. A fine-grain data-level parallel algorithm
for fractional differential equations [J]. J4, 2013, 35(11): 76-79.

[1]	罗婧, 叶志晟, 杨泽华, 傅天豪, 魏雄, 汪小林, 罗英伟, . 研发类GPU集群任务数据集的构建及分析[J]. 计算机工程与科学, 2024, 46(12): 2128-2137.
[2]	毛润泽, 吴子恒, 徐嘉阳, 章严, 陈帜, . DeepFlame：基于深度学习和高性能计算的反应流模拟开源平台[J]. 计算机工程与科学, 2024, 46(11): 1901-1907.
[3]	代长威, 孔瑞林, 季哲, . 面向离散粒子多尺度分析CPU/GPU架构的并行近邻搜索算法[J]. 计算机工程与科学, 2024, 46(08): 1349-1360.
[4]	王宇华, 何俊飞, 张宇琪, 徐悦竹, 崔环宇. DRM:基于迭代归并策略的GPU并行SpMV存储格式[J]. 计算机工程与科学, 2024, 46(03): 381-394.
[5]	肖调杰, 周峰, 郑翾宇, 刘剑, 陈琳, 刘杰, 易明宽, 陈旭光, 龚春叶, 杨博, 甘新标, 李胜国, 左克, . 大规模三维频率域电磁积分方程法数值模拟[J]. 计算机工程与科学, 2023, 45(11): 1901-1910.
[6]	吴超, 卫谦, 周俊伟, 李会民, 孙广中. 基于异构计算平台的背景噪声预处理并行算法[J]. 计算机工程与科学, 2023, 45(10): 1711-1719.
[7]	王鑫, 彭健. 基于HYB格式SpMV在新一代申威架构上的实现与优化[J]. 计算机工程与科学, 2023, 45(10): 1754-1762.
[8]	刘屹成, 刘晓燕, 严馨. 并行平衡级联支持向量机[J]. 计算机工程与科学, 2023, 45(07): 1170-1177.
[9]	臧照虎, 李晨, 王耀华, 陈小文, 郭阳. 面向众核系统的层次化栅栏同步机制[J]. 计算机工程与科学, 2022, 44(11): 1901-1908.
[10]	张勇, 张曦, 万云博, 何先耀, 赵钟, 卢宇彤. 非结构有限体积CFD计算的网格重排序优化[J]. 计算机工程与科学, 2022, 44(10): 1721-1729.
[11]	许晓阳, 王斯棋. 基于粒子分解的SPH并行算法研究与应用[J]. 计算机工程与科学, 2022, 44(06): 964-970.
[12]	朱浩, 周博洋, 卢雪山, 杜溢墨. OpenCL计算软件栈评估[J]. 计算机工程与科学, 2021, 43(12): 2105-2114.
[13]	范培勤, 过武宏, 韩梅, 唐帅, 张驰, . 水声环境特征参数并行预报方法研究[J]. 计算机工程与科学, 2021, 43(11): 1920-1925.
[14]	罗磊, 陈照云, 王俪璇. 用户QoS感知的GPU集群深度学习任务动态调度[J]. 计算机工程与科学, 2021, 43(08): 1331-1340.
[15]	龚昊, 刘莹, 冯建周, 赵仁良, 冷佳旭, . 基于GPU加速的脉冲多普勒雷达信号处理[J]. 计算机工程与科学, 2021, 43(07): 1141-1149.