《表2 不同种群规模GA-DPD和GPU-GADPD算法计算时间对比》
为了验证GPU-GADPD算法针对不同种群规模的加速效果,设置采样点数N=210,得到随着种群规模增加两种算法的执行时间以及加速比结果,如表2所示,并根据表2得到图6所示加速效果。首先从表中可以看出,GA-DPD算法的执行时间与种群规模基本呈线性关系,种群规模增加一倍,执行时间也增加约一倍,这是GA-DPD算法单线程执行方式所导致。而本文所提出的GPU-GADPD算法执行时间并不会随着种群规模增加而呈线性增加。只有当种群规模增加到足够大以后,算法执行时间才会随着种群规模翻倍而成倍增加。通过图6可以直观地看到,随着种群规模增加,所提算法的加速增益越来越明显,最高加速增益可达40倍以上,当种群规模增加到一定程度后,加速比值趋于稳定。因此本文所提出的基于GPU并行加速设计的GPU-GADPD算法能够带来较好的加速效果,证明了所提算法的有效性。应当说明的是,限于实验条件限制,本文所采用的英伟达公司Ge Force系列显卡属于普通级显卡,并不是进行并行计算的专用显卡,若采用该公司的Quadro系列甚至Tesla系列高性能专业显卡,相信本文所提算法的加速效果将会更加明显。
图表编号 | XD0067686300 严禁用于非法目的 |
---|---|
绘制时间 | 2019.04.01 |
作者 | 任衍青、逯志宇、王大鸣 |
绘制单位 | 信息工程大学信息系统工程学院、信息工程大学信息系统工程学院、信息工程大学信息系统工程学院 |
更多格式 | 高清、无水印(增值服务) |