《表3 不同采样长度GA-DPD和GPU-GADPD算法计算时间对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于GPU加速遗传算法的直接定位研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了进一步验证本文所提算法加速有效性，保持种群规模不变Ps=128，针对不同采样长度，得到GPU-GADPD和GA-DPD算法执行时间实验结果，如表3所示，并由表3得到图7所示的加速效果。与第一组实验结果一致，本文所提算法能够实现良好的加速效果。从图7可以看出，加速比变化呈现出先缓后快再缓的三段变化趋势。这可分别从三个方面解释这一现象:a) 由于在算法执行过程中，GPU需要不断从全局内存中读取数据，当采样点数较少时，算法线程执行时间相对于内存访问时间微不足道，通过线程并行计算所得到加速增益不足以隐藏数据访问延迟，所以此阶段加速比值较小，加速效果不明显；b) 随着采样点数增加，GPU大规模并行计算优势逐渐凸显，能够较好地隐藏数据访问延迟，所以此阶段加速比明显提高；c) 随着采样点数继续增加，GPU趋于满负荷运行，达到了其最大计算能力，所以加速比不再随着数据规模的增大而显著增加，而呈现出平稳的趋势。通过以上分析可知，GPU的优势在于对大规模数据的并行处理，通过调动尽可能多的线程执行并行计算弥补内存访问延迟，可获得更好的加速效果。