导读:本文包含了高性能计算机算法论文开题报告文献综述及选题提纲参考文献，主要关键词:量子计算机,超高性能
高性能计算机算法论文文献综述
[1]（2017）在《日本现超高性能新型量子计算机 瞬间解析复杂算法》一文中研究指出据日本共同社报道,日本NTT物性科学基础研究所等11月20日宣布成功研发了超高性能的新型量子计算机,可以瞬间解析以往计算机不易解开的复杂算法。研究所计划进一步优化性能,使之成为提高交通网、无线通信等各类网络效率的强力武器。研究所还计划27日起在网络公开该系统,以便一般用户试用。围绕量子计算机,正在进行着各种不同类型的(本文来源于《电子产品可靠性与环境试验》期刊2017年06期）
时洋[2]（2016）在《计算机视觉核心算法在移动GPU上的高性能实现》一文中研究指出图像分类与目标跟踪一直是计算机视觉领域中的核心问题。近些年来卷积神经网络(CNN)与TLD算法分别在这两个领域取得了瞩目的成果。与此同时,随着手机等移动设备的计算性能不断提升,研究人员开始尝试将复杂的计算机视觉算法应用在移动设备之上。对于CNN,本文首先借助MXNet深度学习框架将其前向过程在手机上进行了实现。测试结果显示卷积层的执行时间占到了总时间的70%以上,因此本文通过OpenCL编程框架将这一部分计算转移到了手机的另一个更加适合密集计算的设备——GPU上。之后又对于GPU上的算法实现采取了优化任务划分、利用片上存储等策略进行改进。最终在卷积层计算中取得了16倍的加速比,整体分类过程上也取得了2.1倍的加速效果。对于TLD算法,它的计算任务主要集中在检测模块的级联分类器上。级联分类器由方差分类器、集成分类器以及最近邻分类器串联组成。本文将这一部分检测计算放在了GPU上执行,并且针对任务的负载情况进行了线程的组织以及算法的优化。经过测试,本文提出的针对GPU的高性能实现算法对于每一帧视频的目标跟踪任务,可以将用时减少到只有原来的二分之一。本文通过在移动GPU上对于CNN与TLD这两个计算机视觉核心算法进行高性能实现,探索如何在通用并行计算中高效利用移动GPU,最终经过优化取得了理想的加速效果。(本文来源于《国防科学技术大学》期刊2016-11-01）
罗兆成[3]（2012）在《面向高性能计算机系统的动态电压调节技术研究与能耗优化算法实现》一文中研究指出提高计算系统效能是当前高性能计算领域最为关注的问题之一。系统的高功耗导致巨额的系统运转费用，增加了芯片制造成本，需要更高效的散热技术，并且严重影响系统的可靠性和稳定性。因此，高性能计算机系统需要研究低功耗优化技术，解决日益严峻的功耗问题。动态电压调节（DVS）技术是目前微处理器普遍支持的一种低功耗技术，它以延长执行时间为代价来达到减少处理器等部件能耗的目的，但时间延长将导致系统其它部件的能耗上升，程序运行的能耗的并不一定减小。对于高性能计算系统，由于其规模庞大、维护复杂，在计算任务完成后系统节点往往不会关闭电源或休眠，而是转入空转状态，该状态下的系统的功率仍然很高。为对比DVS技术节能效果，针对高性能计算机系统存在空转时间的运行特点，论文提出了考虑空转能耗影响的系统能耗模型（SEM），该模型不只考虑程序运行时的能耗，而是考虑相同时间内系统整体的能量消耗，其中包括了空转时系统的能耗。在不同应用系统上进行能耗测试结果显示，采用SEM更有利于对DVS技术的节能效果的评估。基于SEM，论文提出了时间约束条件下的能耗优化模型（EOM），该模型将程序看作由一系列区域组合而成，假定已知每个区域在不同频率下的运行时间和能耗，在满足运行时间限定的前提下，找到一个合适区域并将其以适当频率运行来优化系统的整体能耗。对于把整个程序作为EOM模型中的唯一区域考虑的情况，论文将EOM模型进行简化得到简单能耗优化模型（SEOM），并且在不同应用系统上实现了该模型。实验测试结果显示，对于并行程序，SEOM最大能够获得16%的能耗节省。对于把程序的函数结构和外层循环结构作为EOM候选区域的情况，论文将EOM模型近似转化为复杂能耗优化模型（CEOM）。CEOM通过插桩的手段获取程序各区域的运行信息和植入DVS代码，优化程序运行能耗。基于GCC编译器实现了串行程序的CEOM，实验结果显示根据不同的时间约束条件和程序，CEOM可以获得最大12%的系统能耗节省。(本文来源于《国防科学技术大学》期刊2012-04-01）
罗莉梅,李增瑞[4]（2008）在《高性能计算机群系统电磁场并行FDTD算法设计》一文中研究指出基于中国传媒大学高性能计算机群系统的以消息传递方式(MPI)执行的并行FDTD(电磁场时域有限差分)算法,具体描述了数据交换方法和叁维方向切割时的新数据类型定义,完成N×M×P(N、M、P 3)的并行FDTD算法研究,验证了算法的可行性和有效性,为研究电大尺寸物体的电磁仿真设计提供了现实可行的方法。(本文来源于《中国传媒大学学报(自然科学版)》期刊2008年02期）
冯圣中,谭光明,徐琳,孙凝晖,徐志伟[5]（2005）在《曙光4000H生物信息处理专用计算机的高性能算法研究》一文中研究指出曙光4000H生物信息处理专用计算机基于现代计算机体系结构和可重构计算器件,分别通过IO延迟隐藏、细粒度并行以及并行流水等技巧优化设计了BLAST、动态规划、RNA二级结构预测等有代表性的3类算法,并开发C模拟器进行了性能评价,结果表明,上述算法大幅度提高了计算机处理能力.(本文来源于《计算机研究与发展》期刊2005年06期）
程海英[6]（2003）在《PDD算法在对称多处理器高性能计算机上的并行实现》一文中研究指出使用基于MPI并行编程方法,对PDD算法进行了并行处理及fortran编程,给出了并行代码在上海大学计算机学院自强2000集群式高性能计算机上的运行结果,以及与串行程序相比较的并行加速比。(本文来源于《重庆工商大学学报(自然科学版)》期刊2003年01期）
张连斌[7]（1987）在《关于高性能计算机式继电保护算法的研究》一文中研究指出本文分析了电力系统暂态过程中电气信号的特点,据此导出了可消除衰减的直流分量及各次谐波分量影响的计算机式继电保护算法。在本院VAX计算机上对该算法及目前应用较广的正交样品函数算法同时进行了数字仿真计算,结果表明本文提出的算法具有数据窗短,速度快,精度高且不受非周期分量影响等优点。(本文来源于《吉林电力技术》期刊1987年03期）
高性能计算机算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
图像分类与目标跟踪一直是计算机视觉领域中的核心问题。近些年来卷积神经网络(CNN)与TLD算法分别在这两个领域取得了瞩目的成果。与此同时,随着手机等移动设备的计算性能不断提升,研究人员开始尝试将复杂的计算机视觉算法应用在移动设备之上。对于CNN,本文首先借助MXNet深度学习框架将其前向过程在手机上进行了实现。测试结果显示卷积层的执行时间占到了总时间的70%以上,因此本文通过OpenCL编程框架将这一部分计算转移到了手机的另一个更加适合密集计算的设备——GPU上。之后又对于GPU上的算法实现采取了优化任务划分、利用片上存储等策略进行改进。最终在卷积层计算中取得了16倍的加速比,整体分类过程上也取得了2.1倍的加速效果。对于TLD算法,它的计算任务主要集中在检测模块的级联分类器上。级联分类器由方差分类器、集成分类器以及最近邻分类器串联组成。本文将这一部分检测计算放在了GPU上执行,并且针对任务的负载情况进行了线程的组织以及算法的优化。经过测试,本文提出的针对GPU的高性能实现算法对于每一帧视频的目标跟踪任务,可以将用时减少到只有原来的二分之一。本文通过在移动GPU上对于CNN与TLD这两个计算机视觉核心算法进行高性能实现,探索如何在通用并行计算中高效利用移动GPU,最终经过优化取得了理想的加速效果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
高性能计算机算法论文参考文献
[1]..日本现超高性能新型量子计算机瞬间解析复杂算法[J].电子产品可靠性与环境试验.2017
[2].时洋.计算机视觉核心算法在移动GPU上的高性能实现[D].国防科学技术大学.2016
[3].罗兆成.面向高性能计算机系统的动态电压调节技术研究与能耗优化算法实现[D].国防科学技术大学.2012
[4].罗莉梅,李增瑞.高性能计算机群系统电磁场并行FDTD算法设计[J].中国传媒大学学报(自然科学版).2008
[5].冯圣中,谭光明,徐琳,孙凝晖,徐志伟.曙光4000H生物信息处理专用计算机的高性能算法研究[J].计算机研究与发展.2005
[6].程海英.PDD算法在对称多处理器高性能计算机上的并行实现[J].重庆工商大学学报(自然科学版).2003
[7].张连斌.关于高性能计算机式继电保护算法的研究[J].吉林电力技术.1987