برنامه نویسی موازی اسکلتی برای اسکلت تقسیم و حل بر روی پردازنده گرافیکی
Publish Year: 1393
Type: Conference paper
Language: Persian
View: 1,076
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
CCITC01_068
Index date: 18 November 2014
برنامه نویسی موازی اسکلتی برای اسکلت تقسیم و حل بر روی پردازنده گرافیکی abstract
موازی سازی، یک رویکرد مناسب، برای تسریع محاسبات با حجم زیاد است. اما برنامه نویسی موازی هنوز دارای دشواری هایی است. اسکلت های الگوریتمی، یک مدل برنامه نویسی موازی هستند که سطح بالایی از انتزارع را برای برنامه نویس فراهم می کنند. این روش، با استفاده از مؤلفه های از پیش تعریف شده، برنامه نویسی موازی را آسان تر می کند. تقسیم و حل، یک الگوی موازی مناسب برای پیاده سازی به ع نواناسکلت می باشد؛ به طوری که راه حل مسئله اصلی از تقسیم آن به زیر م سائل ک وچک تر و حل آن ها به صورت موازی بدست می آید. امروزه پردازنده گرافیکی به علت دارا بودن قدرت محاسباتی بالا، به عنوان یک پردازنده محاسباتی جذاب برای انجام کارهای موازی به کار برده می شود. در این مقاله، پیاده سازی اسکلت تقسیم و حل بر روی پردازنده گرافیکی پیشنهاد شده است. DC_GPU یک اسکلت تقسیم و حل اجرا شده بر روی GUP است که از طریق استفاده از رابطه برنامه نویسی منطبق با زبان ++C، برنامه نویسی موازی را آسان تر می کند. با استفاده از کاربردهای mergesort و تشخیص لبه sobel عملکرد این اسکلت مورد ارزیابی قرار گرفته است. نتایج نشان می دهد این اسکلت عملکرد مناسبی بر روی GPU دارد.
برنامه نویسی موازی اسکلتی برای اسکلت تقسیم و حل بر روی پردازنده گرافیکی Keywords:
اسکلت های الگوریتمی , اسکلت تقسیم و حل , پردازنده گرافیکی (GPU) , رابطه برنامه نویسی به زبان ++mergesort , C , تشخیص لبه sobel
برنامه نویسی موازی اسکلتی برای اسکلت تقسیم و حل بر روی پردازنده گرافیکی authors
فهیمه بقایری
دانشگاه آزاد اسلامی واحد مشهد، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، مشهد، ایران
حسین دلداری
دانشگاه آزاد اسلامی واحد مشهد، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، مشهد، ایران
داود بهره پور
دانشگاه آزاد اسلامی واحد مشهد، گروه مهندسی فناوری اطلاعات، دانشکده فنی و مهندسی، مشهد، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :