对无单元伽辽金法的并行计算进行了详细研究,并将其应用于弹性动力学问题。使用并行桶搜索算法进行节点搜索,使用并行几何搜索算法进行样点搜索,讨论了移动最小二乘MLS(Moving Least Squares)形函数及其导数的并行计算和方程组的并行求...对无单元伽辽金法的并行计算进行了详细研究,并将其应用于弹性动力学问题。使用并行桶搜索算法进行节点搜索,使用并行几何搜索算法进行样点搜索,讨论了移动最小二乘MLS(Moving Least Squares)形函数及其导数的并行计算和方程组的并行求解,并利用多层图形划分实现负载平衡。最后给出了并行无单元伽辽金法应用于弹性动力学的计算流程和实例。计算结果表明无单元伽辽金法具有很高的并行性和很好的并行效率,对其进行并行计算具有非常重要的意义。展开更多
针对大数据环境下DCNN(deep convolutional neural network)算法中存在网络冗余参数过多、参数寻优能力不佳和并行效率低的问题,提出了大数据环境下基于特征图和并行计算熵的深度卷积神经网络算法MR-FPDCNN(deep convolutional neural n...针对大数据环境下DCNN(deep convolutional neural network)算法中存在网络冗余参数过多、参数寻优能力不佳和并行效率低的问题,提出了大数据环境下基于特征图和并行计算熵的深度卷积神经网络算法MR-FPDCNN(deep convolutional neural network algorithm based on feature graph and parallel computing entropy using MapReduce)。该算法设计了基于泰勒损失的特征图剪枝策略FMPTL(feature map pruning based on Taylor loss),预训练网络,获得压缩后的DCNN,有效减少了冗余参数,降低了DCNN训练的计算代价。提出了基于信息共享搜索策略ISS(information sharing strategy)的萤火虫优化算法IFAS(improved firefly algorithm based on ISS),根据“IFAS”算法初始化DCNN参数,实现DCNN的并行化训练,提高网络的寻优能力。在Reduce阶段提出了基于并行计算熵的动态负载均衡策略DLBPCE(dynamic load balancing strategy based on parallel computing entropy),获取全局训练结果,实现了数据的快速均匀分组,从而提高了集群的并行效率。实验结果表明,该算法不仅降低了DCNN在大数据环境下训练的计算代价,而且提高了并行系统的并行化性能。展开更多
文摘对无单元伽辽金法的并行计算进行了详细研究,并将其应用于弹性动力学问题。使用并行桶搜索算法进行节点搜索,使用并行几何搜索算法进行样点搜索,讨论了移动最小二乘MLS(Moving Least Squares)形函数及其导数的并行计算和方程组的并行求解,并利用多层图形划分实现负载平衡。最后给出了并行无单元伽辽金法应用于弹性动力学的计算流程和实例。计算结果表明无单元伽辽金法具有很高的并行性和很好的并行效率,对其进行并行计算具有非常重要的意义。
文摘针对大数据环境下DCNN(deep convolutional neural network)算法中存在网络冗余参数过多、参数寻优能力不佳和并行效率低的问题,提出了大数据环境下基于特征图和并行计算熵的深度卷积神经网络算法MR-FPDCNN(deep convolutional neural network algorithm based on feature graph and parallel computing entropy using MapReduce)。该算法设计了基于泰勒损失的特征图剪枝策略FMPTL(feature map pruning based on Taylor loss),预训练网络,获得压缩后的DCNN,有效减少了冗余参数,降低了DCNN训练的计算代价。提出了基于信息共享搜索策略ISS(information sharing strategy)的萤火虫优化算法IFAS(improved firefly algorithm based on ISS),根据“IFAS”算法初始化DCNN参数,实现DCNN的并行化训练,提高网络的寻优能力。在Reduce阶段提出了基于并行计算熵的动态负载均衡策略DLBPCE(dynamic load balancing strategy based on parallel computing entropy),获取全局训练结果,实现了数据的快速均匀分组,从而提高了集群的并行效率。实验结果表明,该算法不仅降低了DCNN在大数据环境下训练的计算代价,而且提高了并行系统的并行化性能。
