稀疏矩阵向量乘(SpMV)是科学与工程计算中一个重要的核心函数,但在当前基于存储器层次结构的计算平台上,传统CSR(Compressed Sparse Row)存储的稀疏矩阵向量乘性能较低,运行效率往往远低于硬件浮点峰值的10%.目前现有的处理器架构一般都采用SIMD向量化技术进行加速,但是传统CSR格式的稀疏矩阵向量乘由于访存的不规则性,不能直接采用向量化技术进行加速,为了利用SIMD技术,对具有局部性特征的稀疏矩阵,提出了新的稀疏矩阵存储格式CSRL(Compressed Sparse Row with Local information),该格式可以减少SpMV时内存访问次数,并且能够充分利用硬件的SIMD向量化技术进行读取和计算,提高了SpMV性能.实验表明,该方法相比国际著名商业库Intel MKL10.3版平均性能提升达到29.5%,最高可达89%的性能提升.
为提高PPMLR-MHD(Lagrangian version of Piecewise Parabolic Method-Magnetohydrodynamics)数值模拟算法的计算速度,对其进行了并行化及性能调优.对于理想MHD模型,描述了基于拉格朗日坐标的逐段抛物线方法PPMLR数值模拟算法,并用OpenM...
详细信息
为提高PPMLR-MHD(Lagrangian version of Piecewise Parabolic Method-Magnetohydrodynamics)数值模拟算法的计算速度,对其进行了并行化及性能调优.对于理想MHD模型,描述了基于拉格朗日坐标的逐段抛物线方法PPMLR数值模拟算法,并用OpenMP、MPI及两者混合并行的方法进行了并行优化,在深腾7000及天河1A系统进行了测试.对于此应用算法,MPI及混合并行的优化效果不如共享内存的OpenMP线程并行优化,OpenMP并行化在深腾7000胖节点可扩展到256线程,加速比为29.3,有较好的并行效果.
暂无评论