基于高预测性的稀疏矩阵向量乘法并行计算优化

稀疏矩阵向量乘法(sparse matrix-vector multiplication,SpMV)是广泛应用于科学计算、工业仿真和智能计算等领域的重要算法,是核心的计算行为之一.在一些应用场景中,需要进行多次的SpMV迭代,以完成精确的数值模拟、线性代数求解和图分析收敛等计算要求.受限于SpMV本身的高度随机性和稀疏性所导致的数据局部性极差、缓存效率极低、计算模式非常不规则等问题,导致其计算负载成为当前高性能处理器的优化难点和研究热点.基于现代高性能超标量乱序处理器的架构特征,深入研究SpMV的各类性能瓶颈,并且提出从提升可预测性和降低程序复杂度的角度进行全面的性能优化.其核心思想是:通过构建串行访问的数据结构,提升数据访问的规律性和局部性,大幅度优化数据预取效率和缓存利用效率;通过构建规则的分支跳转条件,提升程序的分支预测准确率,有效提升程序执行效率;通过灵活运用SIMD指令集,有效提升计算资源利用率.通过对以上特性的优化,该方法可以显著缓解性能瓶颈,大幅度提升处理器资源、缓存资源和访存带宽的利用率,并且获得与主流商用计算库MKL相比平均2.6倍的加速比,相比于现有最先进算法获得平均1.3倍的加速比.

超声波除藻系统的开发

随着工业的发展和人口的急增,湖泊、水库及近海水域富营养化程度日益加剧,蓝藻水华時有爆发,导致了水质变坏,水生物的大量死亡,威胁着供水水库湖泊的饮用水安全。因此,本项目研发出一套环境友好型超声波除藻系统,该系统由智能控制软件、无人机、寻航船和浮标式超声波除藻设备组成。系统可以全自动监测藻类分布,及时自动清除藻类。超声波除藻设备在实验室进行了实验研究,并取得了很好的实验效果,能有效地去除蓝藻、绿藻并有抑制藻类生长的效果。