摘要：面向国产异构众核处理器超级计算机发展趋势,实现了基于CPU+DCU国产异构并行系统的大规模并行高阶矩量法。在同构并行矩量法负载均衡策略的基础上,提出了一种“MPI+openMP+DCU”的高效异构并行编程框架,解决了计算任务与计算能力不匹配的问题,实现了矩量法异构并行计算过程的负载均衡。采用细粒度任务划分策略与异步通信技术,对深度计算处理器计算过程进行了流水线优化设计,实现了计算与通信重叠,提升了矩量法异构协同计算的效率。通过与有限元法的仿真结果对比,验证了CPU+DCU异构并行矩量法的准确性。基于国产深度计算处理器异构平台的可扩展性分析结果表明,与单纯CPU计算相比,所实现的CPU+DCU异构协同计算方法能够获得5.5~7.0倍的加速效果,且在国家超级计算西安中心能够实现全系统运行,并行规模从360节点扩展到3 600节点(共1 036 800个处理器核心),并行效率可以达到约73.5%。

摘要：针对天线优化中全波仿真计算耗时过多的问题,文中提出了一种基于数据约束的代理模型辅助进化算法(SAADC)以实现天线优化设计中效率的提升。首先采用增强随机型差分进化算法,以保证数据生成的随机性与多样性。进一步通过高斯代理模型对仿真结果进行预测,并利用最优解区间预筛选方法舍弃预测结果中较差的个体,以实现算法收敛速度的提升。最终利用所提出的SAADC,对三个不同拓扑结构E型贴片天线的带宽与增益进行了优化设计与结果分析。结果表明,所提出的算法比现有的代理模型优化算法具有更快的优化速度与更佳的优化结果,可满足天线结构高效优化的实际需求。

摘要：本文主要研究了在CPU/GPU异构集群上的并行矩量法的加速技术。本文设计出一种MPI/CUDA软件编程架构,解决了CPU/GPU异构集群上并行LU分解跨节点计算的难题。此架构基于矩阵分块二维循环分布的数据分配策略,利用MPI实现计算节点之间的通信,同时利用GPU加速矩阵更新过程。为了突破GPU显存对LU分解的矩阵规模的限制,本文进一步研究了"显存—内存"核外算法。为了优化算法性能,本文提出了基于"CUDA流"技术和"异步通信"技术的设计方案,实现了GPU通信与计算的重叠,有效隐藏了GPU通信时间,获到了明显的加速效果。

摘要：高阶矩量法(High Order Method of Moments,HOMo M)可以准确分析频选天线罩特性,采用高阶基函数可以大幅降低未知量数目,但目前对高阶基函数所需的大四边形网格未有成熟的建模方法,这使得高阶矩量法分析频选天线罩问题变得困难。本文主要提出一种多层锥形频选罩的四边形网格的一体化建模方法。整个建模过程模块化,主要分为平面单元构建、扇形区域裁剪、边界处理、锥面映射、锥顶球面拓扑构造和面片内外推进六个模块。在建立锥形频选罩模型后,采用高阶矩量法进行预处理,随后设计一种频率选择表面(Frequency Selective Surface,FSS)单元,最后分别计算了三层介质加载的双层频选罩的雷达散射截面(Radar Cross Section,RCS)和辐射等电磁特性,验证了本文建模方法的正确性和有效性。