基于gpu的稀疏矩阵向量乘优化

针对稀疏矩阵运算难以发挥图形处理器的强大运算能力的现状，基于图形处理器的统一计算架构，在线程映射、数据复用等方面研究了一系列并行计算优化方法，从而完成了一种行压缩存储表示下的稀疏矩阵向量乘并行算法。这些优化方法包括:(1)利用warp内线程天然同步特性，half-warp完成结果向量一个元素的计算;(2)取整读取数据，实现合并访问;(3)输入向量放入纹理存储器，数据复用;(4)申请分页锁定内存，加速数据传输;(5)使用共享存储器，加速数据存取。实验分析表明，提出的各种手段起到了优化的作用。与已有的cudpp和spmvlibrary中的csr-vector算法相比，本算法获得了更高的存储器带宽和浮点运算吞吐量;整体性能比cpu串行执行版本快了3倍以上。