LU分解和Laplace算法在GPU上的实现

随着图形处理器(GPU)性能的大幅度提升以及可编程性的发展,已经有许多算法成功地移植到GPU上.LU分解和Laplace算法是科学计算的核心,但计算量往往很大,由此提出了一种在GPU上加速计算的方法.使用Nvidia公司的统一计算设备架构(CUDA)编程模型实现这两个算法,通过对CPU与GPU进行任务划分,同时利用GP...     

构建时延基因调控网络的多数据源融合算法

为了进一步提高基因调控网络构建的精确度,提出一种基于多数据源融合的时延基因调控网络构建算法.该算法基于递归模糊神经网络模型,使用时序互信息估计基因间的转录时延,并限制每个基因的潜在调控基因,从而有效提高建网的效率.在网络结构学习阶段,使用离散多目标粒子群优化(discrete multi-objective particle swarm optimization,dMOPSO)算法实现从时序基因表达数据和CHIP-chip数据共同构建基因调控网络.人工模拟数据和酵母菌细胞周期表达数据的实验结果表明该算法能正确选出潜在的调控基因,从而更加精确地构建基因调控网络.     

多核CPU和GPU加速分子动力学模拟

在多核中央处理器(CPU)—图形处理器(GPU)异构并行体系结构上,采用OpenMP和计算统一设备架构(CUDA)编程实现了基于AMBER力场的蛋白质分子动力学模拟程序。通过合理地将程序划分为CPU单线程、CPU多线程和GPU多线程执行部分,高效地利用了计算机的处理能力。性能测试结果表明,相对于优化后的CPU串行计算,多核CPU-GPU异构并行计算模型有强大的性能优势,特别是将占整个程序执行时间90%的作用力的计算移植到GPU上执行,获得了最高可达12倍的计算加速比。