考虑负荷变化影响的综合无功优化并行计算模型

实际综合无功优化中,保证系统尽量远离可能的崩溃点十分重要.提出基于ε-支配域并行算法的综合无功优化模型,通过负荷裕度指标对系统电压稳定性进行评估,利用基于ε-支配域的并行计算方法,解决了单独依靠状态指标难以准确估计系统崩溃点和裕度指标应用到多目标无功优化中导致的速度瓶颈问题,实现了系统电压稳定水平的实时、全面的评估,为运行人员提供了更全面的系统信息.通过IEEE14、IEEE30和IEEE118节点系统验证了所提模型和算法的正确性和有效性.     

基于GPU的多通道倍频程并行算法研究

倍频程分析是一种噪声与振动信号处理中的常用分析方法,在声与振动测量软件或仪器中广泛使用,但是由于这种算法的计算量很大,特别是多通道信号的倍频程分析,占用测量软件或仪器的大量计算资源,成为提高分析速度的瓶颈因素。为了解决这个问题,本文引入了一种在GPU实现的多通道信号倍频程分析的并行算法,利用GPU的并行计算模型,采用多通道FIR并行滤波的方法,将倍频程滤波转换成信号矩阵相乘的结构进行迭代计算,从而实现多通道倍频程分析的并行处理。在256个通道的实例测试中,这种算法带来了最高120倍的速度提升。     

考虑频率偏移传播速度各向异性的扰动信息辨识

讨论了基于观测空间的频率偏移传播速度及其计算方法,分析了扰动信息辨识的数学模型的特点,提出一种考虑频率偏移传播速度各向异性的分区扰动辨识方法.该方法将目标电网按地理分区,通过数值仿真提取不同分区的动态频率响应特征,形成目标电网的动态频率响应特征数据库;针对扰动激发的广域动态频率信息,在各分区内进行并行扰动信息辨识,再对结果进行综合得到最终辨识结果.以某电网为例,分析了并行处理的加速比特性,并验证了所提出的分区辨识方法的有效性.     

一种非比例振型阻尼模型及在大规模非线性分析中的应用

该文通过有限元模型的节点振型阻尼比构造了一种非比例振型阻尼模型;给出了非线性显式格式中该文模型阻尼力的高效算法,并结合实际工程对显式求解的稳定性进行了分析。将该文提出的非比例阻尼模型和高效算法在自主研发的CPU+GPU并行非线性分析软件中进行实现,对有限元模型自由度数达到百万量级的超高层钢-混凝土混合结构广西东盟塔进行动力时程分析,对该文并行算法的效率和非比例阻尼对结构动力响应的影响进行了研究。     

基于切片原理的海量点云并行简化算法

针对传统点云简化算法效率低且处理点数少的缺陷,结合快速成型领域的切片原理顾及特征计算复杂度低的特点,设计并实现了适合千万级海量激光雷达（LiDAR）点云的并行切片简化算法。该算法根据切片原理对点云模型分层并按照角度排序,利用NVIDA的统一计算设备架构（CUDA）和可编程图形处理器（GPU）高度并行的性能优势,使用GPU多线程高效并行地执行单层切片点云简化,提高了算法效率。最后,应用3组不同数量级点云模型分别进行简化对比实验。实验结果表明：在保持模型特征与压缩比不变的情况下,所提算法效率高出传统基于CPU的串行切片算法1～2个量级。     

CUDA平台下信息熵多种群遗传算法设计

为了进一步提高信息熵多种群遗传算法的计算效率,缩短计算时间,提出了一种基于CUDA平台的信息熵多种群遗传算法。通过分析原算法的并行因素,结合CUDA开发平台,对原算法进行适合GPU加速的并行化处理,实现了遗传算子、惩罚函数和空间收缩因子等的并行计算,有效地提高了算法效率。例题数值测试表明,在保持了快速收敛特性和计算精度的前提下,CUDA并行算法相对于原算法具有很高的加速效率。     

基于Spark的并行频繁模式挖掘算法

在大数据环境下Apriori频繁模式挖掘算法在数据处理过程具有预先设定最小阈值、时间复杂度高等缺陷, 为此采用多阶段挖掘策略实现并行化频繁模式挖掘算法PTFP-Apriori。首先将预处理数据以模式树的形式存储,通过最为频繁的[k]个模式得到最优阈值。然后根据该值删除预期不能成长为频繁的模式以降低计算规模,并利用弹性分布式数据集RDD完成统计项集支持度计数、候选项集生成的工作。实验分析表明相比于传统的频繁模式挖掘算法,该算法具有更高的效率以及可扩展性。     

基于改进粒子群优化的并行极限学习机*

为了提高极限学习机(ELM)网络的稳定性,提出基于改进粒子群优化的极限学习机(IPSO-ELM)。结合改进的粒子群优化算法寻找ELM网络中最优的输入权值、隐层偏置及隐层节点数。通过引入变异算子,增强种群的多样性,并提高收敛速度。为了处理大规模电力负荷数据,提出基于Spark并行计算框架的并行化算法(PIPSO-ELM)。基于真实电力负荷数据的实验表明,PIPSO-ELM具有更高的稳定性及可扩展性,适合处理大规模的电力负荷数据。     

基于自适应机制的多宇宙并行量子衍生进化算法

进化参量的选取对量子衍生进化算法(QEA)的优化性能有极大的影响,传统QEA在选择进化参量时并未考虑种群中个体间的差异,种群中所有个体采用相同的进化参量完成更新,导致算法在解决组合优化问题中存在收敛速度慢、容易陷入局部最优解等问题。针对这一问题,采用自适应机制调整QEA的旋转角步长和量子变异概率,算法中任意一代的任一个体的进化参量均由该个体自身适应度确定,从而保证尽可能多的进化个体能够朝着最优解方向不断靠近。此外,由于自适应量子进化算法需要评估个体的适应度,导致运算时间较长,针对这一问题则采用多宇宙机制将算法分布于多个宇宙中并行实现,从而提高算法的执行效率。通过搜索多峰函数最优解和求解背包问题测试算法性能,结果表明,与传统QEA相比,所提出算法在收敛速度、搜索全局最优解及执行速度方面具有较好的表现。     

多核CPU下的K-means遥感影像分类并行方法

针对海量遥感影像快速分类的应用需求,提出一种基于K-means算法的遥感影像并行分类方法.该方法结合CPU下进程级与线程级模式的并行特征,设计融合进程级与线程级并行的两阶段数据粒度划分方法和任务调度方法,在保证精度的基础上实现并行加速.利用大数据量的多尺度遥感影像进行实验,结果表明:所提并行方法可大大减少遥感影像的分类时间,取得了良好的加速比(13.83),并可达到负载均衡,从而解决了大区域遥感影像快速分类的问题.