基于GPU的稀疏矩阵存储格式优化研究.pdf

《基于GPU的稀疏矩阵存储格式优化研究》一文探讨了如何提高在GPU平台上执行稀疏矩阵向量乘（SpMV）操作的效率。稀疏矩阵在数据处理中广泛存在，尤其是在大规模图算法如PageRank排序中。由于其非零元素的分布特性，传统的存储格式在GPU上执行时往往效率低下，且计算结果可能缺乏再现性和确定性。 作者提出了改进的Blocked Row-Column Plus（BRCP）存储格式，以解决BRC存储格式的问题。BRCP存储格式采用了不同的二维分块策略，依据矩阵中每一行非零元素的分布统计特性，自适应地调整分块参数。这种方法能更好地利用GPU的并行计算能力，提高了SpMV操作的并行性。 此外，为了确保计算结果的确定性和在不同GPU平台上的再现性，文章设计了一种基于快速分段求和算法的GPU内核函数。这种算法能够在并行环境中有效地管理计算，减少因并行计算导致的误差，从而提高计算结果的精度。 实验结果显示，BRCP存储格式相较于BRC格式在计算效率上有显著提升，能有效减少SpMV计算中的误差。这不仅优化了计算过程，还对依赖于SpMV操作的PageRank排序算法的准确性产生了积极影响。 该研究对于GPU加速计算和大数据处理领域的研究者具有重要参考价值，为稀疏矩阵的高效存储和计算提供了新的解决方案。通过深入理解BRCP存储格式的设计原理和优化策略，可以为其他数据密集型计算任务提供借鉴，进一步推动GPU计算在科研和工业应用中的发展。