基于Fork/Join多核并行框架的梯级水库群优化调度

为了满足大规模梯级水库群优化调度精细化管理需求,解决决策计算耗时长及求解效率低等困难,提出了基于Fork/Join多核并行框架的梯级水库群优化调度并行求解方法,并以离散微分动态规划方法并行化为例,给出了梯级水库群优化调度方法在Fork/Join框架下的并行化实现方式。红水河大规模梯级水库群长期发电优化调度测试结果表明,并行计算能够充分发挥多核处理器的加速性能,有效缩短计算耗时,提高求解效率;选择合理的Fork/Join框架规模控制阈值是充分发挥并行优势的关键因素。

基于Fork/Join框架的等值面快速生成并行算法

针对传统串行等值面提取算法在处理离散点数量多、网格点密度大的数据时生成效率差的问题,提出一种新的基于Fork/Join框架下的等值面快速生成并行算法。通过对传统串行算法中的关键步骤进行并行计算可行性分析,提出可以实施并行计算的四个单独步骤:离散点数据网格化处理、等值点计算、等值线追踪与光滑、等值面标记识别。通过将并行计算作用于等值面生成的这四个步骤中,减少了等值面计算的执行时间,加快了等值面的生成速度。实验结果表明,在数据计算量较大时,与传统串行算法相比,并行算法能在2秒内快速生成等值面,最大加速比高于5.0,提高了等值面的生成效率并取得了良好的绘制效果,满足了高实时性的业务需求。

面向Fork/Join框架的软件重构及性能分析

针对目前对于Fork/Join框架应用和性能分析的相关工作还不多的现状,以JGF基准测试程序套件为基础,对其中的series、crypt、sparsematmult和sor等程序使用Fork/Join框架进行重构,并以series程序为例,详细地说明了重构的过程。在实验中,首先,测试了每个程序在不同阈值下使用Fork/Join框架分别递归1、2、3次执行程序的时间,进而选择相对较好的阈值;然后,对每个程序使用Fork/Join框架和使用Thread的执行时间进行了对比;此外,测试了重构后的程序在执行过程中任务窃取的情况。实验结果表明,Fork/Join框架执行时间与多线程执行时间相比,平均降低了14.2%;对于series程序,当数据大小为size C且线程个数为2时,Fork/Join框架执行时间比多线程执行时间降低高达40%,可见,在多核处理器平台上应用Fork/Join框架比使用多线程将获得更好的性能。

基于上下文定界的Fork/Join并行性的并发程序可达性分析

随着多核技术日益发展,并发程序通过引入Fork/Join并行性,将任务分解为更细粒度的子任务并行执行,从而充分利用多核处理器提供的计算性能。并发执行线程之间的交错可能产生隐匿的程序设计错误,因此有必要对此类并发程序的正确性进行分析。上下文定界分析方法是一种检测并发程序中隐匿错误的高效方法,计算线程有限次上下文切换内的可达状态,确定错误状态是否可达。针对Fork/Join并行性的并发程序的可达性分析思想如下:首先,动态并发程序被建模为可模拟线程Fork/Join操作的动态并发下推系统P;然后从P中提取模拟其k-定界执行的并发下推系统Pk。现有的上下文定界可达算法可解决提取后的并发下推系统的k-定界可达性问题。

浅析JDK1.7中的Fork/Join框架

随着多核以及众核处理器的快速发展与不断普及,越来越多的人开始关注面向多核的并行编程。Fork/Join框架是Java从JDK1.7版本开始引入的一种并行编程框架,该框架可以满足多核时代并行编程的要求。本文针对Fork/Join框架的基本思想、工作窃取机制以及如何在具体编程环境中使用Fork/Join框架进行了详细的介绍。

基于Fork/Join的事务日志伴随模式挖掘方法

信息系统产生的大量事务日志数据蕴含着潜在的伴随模式,伴随模式是指在时空上频繁共现的一组对象.由于传统的滑动窗口算法和FP-Growth算法只能调用单一线程进行计算,随着数据规模的扩张,会导致挖掘伴随模式的时间急剧增加.为此本文提出了一种基于Fork/Join并行技术的伴随模式挖掘框架,其能够实现从单线程到多线程的迁移,充分利用多核配置的加速性能.该框架由划定伴随数据集、频繁项集挖掘和关联规则挖掘三部分组成.首先,提出了基于Fork/Join的多核并行滑动窗口算法,以缩短从事务日志中划定伴随数据集的时间;然后,提出基于Fork/Join的多核并行FP-Growth算法,以并行地挖掘伴随数据集中的频繁项集;最后,引入支持度、置信度和提升度3个参数,对伴随模式中各对象间的关联规则进行挖掘.基于门禁刷卡数据的实验结果表明,相比传统算法,本文所提出的框架能够挖掘出更多的伴随模式,同时挖掘效率较高.

大规模电力系统潮流转移比多核并行批处理方法

实现各类预想故障下潮流转移比快速仿真分析是电网安全稳定运行的重要保证。针对现有实际运行方式中潮流转移分析困难问题,提出大规模电力系统潮流转移比多核并行批处理方法。该方法基于广泛使用的商业大系统分析工具,在参数解析分类、故障自动设置及结果解析的基础上,引入深度优先搜索(depth first search,DFS)算法进行孤立节点和孤岛区域检测以保证网络完整性,结合潮流计算合理性的自动判别以实现潮流转移比的批处理分析;同时在多核环境下,构建基于Fork/Join的并行框架,采用"分治模式"递归分解计算任务,从而实现分析方法的多核并行。算例仿真和在云南电网的实际应用验证了所提方法的有效性和快速性。

并行子树约简方法在软件故障定位中的运用

针对现有的基于图挖掘技术的软件故障定位技术中运用到图约简算法保留原图信息不够、影响定位准确性、约简效率不高的缺点,提出了并行子树约简方法。该方法采用设计简单而且对并行计算性能的获取卓有成效的Fork/Join并行计算框架,运用反复递归和划分子任务的方式将目标问题划分成足够精简的子任务,实现了对程序调用图的高效约简。实验结果表明,并行子树约简方法不仅能实现对节点数大的图的约简而且对图约简效率的提高高达55.1%,明显提高了故障定位效率。

基于多核并行的中期火电开机优化算法

以指定时间段内参与计算电站的装机利用小时数相等为目标建立中期火电开机优化模型。针对问题的多状态、多阶段决策优化的特点,结合基于分治策略的Fork/Join框架,提出了多核并行的中期火电开机优化算法。该算法将原问题划分为规模较小的多个子问题分别进行求解,每个子问题从启发式搜索获得的初始可行解出发,采用逐步优化算法(POA)进行寻优。这些子问题通过Fork/Join框架被分配到多核上并行运算,最终获得满足工程实际需求的最优解。某电网27台机组184个时段的优化结果表明,基于多核并行的中期火电开机优化算法能够充分利用多核资源,明显提高计算效率和最优解的质量。

梯级水库群优化调度并行动态规划方法

针对动态规划方法求解梯级水库群优化调度易造成计算耗时长、求解效率低等缺点,提出了梯级水库群优化调度并行动态规划方法。该方法将调度期内所有离散状态点组合计算求解作为父任务,采用Fork/Join多核并行框架将父任务分解为多个子任务进行并行化求解。以西江干流梯级水库群长期发电优化调度为研究实例,在多核配置上验证所提方法的有效性。计算结果表明,在4核并行环境下,最大加速比可达到3.84,大幅度缩减计算耗时,计算效率显著提升。

粗粒度并行自适应混合粒子群算法及其在梯级水库群优化调度中的应用

为了充分利用现今普及的多核配置计算机,提高大规模梯级水库群优化调度问题的求解效率,提出了梯级水库群优化调度的粗粒度并行自适应混合粒子群算法。该方法以自适应混合粒子群算法为求解基础,采用粗粒度并行设计模式,利用Fork/Join多核并行框架的分治策略,将其初始种群递归划分为多个子种群,平均分配到不同的内核逻辑线程中实现并行计算,并在各子种群优化结束后,合并优化结果集从而输出全局最优解。以澜沧江下游梯级水库群发电优化调度为例,利用该方法进行计算。结果表明,该方法能充分发挥多核配置的计算性能,在4核环境下最大加速比达到3.97,缩短计算耗时1 787.2 s,计算效率显著提高,为我国不断扩张的大规模梯级水库群优化调度提供了一种切实可行的高效求解途径。

梯级水库群优化调度并行自适应混沌整体退火遗传算法

为了充分利用当今流行的多核配置资源提高梯级水库群优化调度的精细化管理水平,提出梯级水库群优化调度并行自适应混沌整体退火遗传算法。该方法利用Fork/Join多核并行框架的分治法将自适应混沌整体退火遗传算法的初始种群递归分解为多个规模更小的子种群,并平均分配到不同的内核中同时进行优化计算,实现算法的粗粒度并行求解。红水河梯级水库群发电优化调度实例结果表明,该方法比串行计算能大幅度缩减优化求解时间,提高计算效率,而且其并行化设计模式可为其他群体智能算法的并行化提供参考和借鉴。

圆周率pi的BBP多核并行算法实现

随着计算机的发展,多核计算机已经在普通用户上得到了普及。圆周率π的BBP算法适合用来进行并行计算。本文在多核计算机上用Java实现了圆周率π的BBP算法的并行计算。

梯级水电站群并行多目标优化调度方法

为保障梯级水电站群多目标优化调度问题的计算效率和求解精度,提出了基于Fork/Join多核并行框架的并行多目标遗传算法。该方法以多目标遗传算法为基础,引入多种群异步进化策略保证种群间个体多样性;采用迁移机制保障子种群的信息有机互馈,提升算法收敛性和解集多样性;利用并行技术实现子种群在各内核的同步求解,提高计算效率。针对问题特点,耦合个体实数串联编码方法、混沌初始化种群策略和约束Pareto占优机制等,进一步提升方法寻优性能。澜沧江流域梯级水电站群多目标优化调度结果表明,所提方法可充分利用多核资源,提升模型计算效率与求解精度,并能获得分布均匀、合理可行的调度方案集,为水电系统多目标高效决策提供科学依据。

跨流域调水条件下水库群联合调度图的多核并行计算研究

为提高跨流域调水条件下大规模复杂水库群优化调度的计算效率和求解精度,采用并行PSO算法进行联合调度图模型的多核并行求解。该算法充分利用PSO搜索速度快、天然并行性等特点,引入多种群思想保证种群的多样性,提高算法的全局收敛能力;采用基于分治策略的Fork/Join框架实现将子种群分配到不同CPU内核进行独立求解;利用Java并发过程中的同步和通信机制实现子种群间的信息交流,避免陷入局部最优。最后通过实例分析表明,多核并行PSO算法能够充分利用多核资源,有利于提高联合调度图模型的求解速度和精度,是解决大规模复杂水库群优化调度的一种高效实用的方法。

库群长期优化调度的多核并行粒子群算法

针对粒子群算法(PSO)在库群长期优化调度求解中出现的随机性大、易陷入局部最优等问题,以实际工程中易得到的多核硬件平台为基础,提出了多核并行粒子群算法(MPPSO)。该算法充分利用PSO搜索速度快、易于并行等特点,引入多种群并行计算思想保证种群的多样性,采用基于分治策略的Fork/Join框架实现种群分配到不同内核上计算,充分发挥多核CPU的性能优势,通过结果合并获得高质量的优化调度结果和较好的加速效果。乌江流域12座水电站的计算结果表明,该算法能充分利用多核资源,显著提高计算效率和最优解的质量,同时具有并行成本低廉、实现过程简单等优点,是一种实用性很强的有效算法。

梯级水电站群长期优化调度多核并行混沌模拟退火差分演化算法

针对标准差分演化算法全局搜索易陷入局部最优问题,利用混沌理论和模拟退火算法的优点对差分演化算法进行改进;同时,为提高算法的求解效率,结合Fork/Join并行框架,提出了梯级水电站群长期优化调度多核并行混沌模拟退火差分演化算法(PCSADE)。该算法利用混沌理论随机性和遍历性强以及模拟退火算法局部搜索能力强的特点,采用混沌理论生成差分演化算法初始种群且对其控制参数进行动态调整,并利用模拟退火算法Metropolis准则替代差分演化算法中的选择操作,提高了差分演化算法的寻优能力;采用基于分治策略的Fork/Join并行技术将复杂计算任务分为多个子任务,实现了算法的并行计算求解。红水河流域14座水电站实例计算结果表明,PCSADE能够充分利用多核资源,显著提高优化解质量和计算效率,是求解水电站群长期优化调度问题的一种有效可行的方法。