• Søren Rasmussen
  • Mads Berre Eriksen
4. semester, Signalbehandling og Beregning, Kandidat (Kandidatuddannelse)
Dette kandidatspeciale omhandler emnet non-linear parameterestimering ved brug af metoder til global optimering baseret på intervalanalyse (IA), accellereret vha. parallel implementation på en grafikprocessor (GPU).
Global optimering med IA er en matematisk garanteret metode af Branch & Bound typen, i stand til på pålidelig vis at løse globale optimeringsproblemer med kontinuært differentiabele objektivfunktioner, selv når afrundingsfejl finder sted.
Strukturen af disse problemer og metoder er parallel i sin natur, og passer godt til moderne GPU-arkitektur.
Metoder til effektivt at udnytte denne parallelisme præsenteres og baseret på disse implementeres en parallel GPU-accelereret algoritme til global optimering.
En samling af algoritmiske variationer af den parallelle GPU-accelererede algoritme benchmarkes og sammenlignes med tilsvarende sekventielle CPU-baserede implementationer.
Resultaterne viser hastighedsforøgelser imellem 1,43 og 60,4 gange for de anvendte testproblemer og problemstørrelser.
En analyse viser at de GPU-accelerede implementationer ikke anvender GPU-hardwaren til fulde. Det vurderes der ved at introducere et yderligere lag af parallelisme kan opnås højere anvendelsesgrad og hastighedsforøgelse.
Det konkluderes at den presenterede metode giver potentiale for signifikante hastighedsforøgelser for problemer med højt antal målinger.
SprogEngelsk
Udgivelsesdato5 jun. 2013
Antal sider102
Ekstern samarbejdspartnerAccelerEyes
James Malcolm malcolm@accelereyrs.com
Anden
ID: 77291478