Performance 在GPU上并行化复杂的数据密集型计算
前言：很抱歉，这是一个非常开放的问题，因为我正在研究的确切问题将非常复杂，我认为一个抽象的公式也包含了必要的细节。如果需要更多的细节，尽管问吧Performance 在GPU上并行化复杂的数据密集型计算,performance,optimization,mathematical-optimization,gpu,Performance,Optimization,Mathematical Optimization,Gpu,前言：很抱歉，这是一个非常开放的问题，因为我正在研究的确切问题将非常复杂，我认为一个抽象的公式也包含了必要的细节。如果需要更多的细节，尽管问吧 GPU计算的效率来自于能够在数千个核上并行计算，即使这些核的运行速度比传统的CPU核慢。我想知道这个想法是否适用于我正在研究的问题 我正在研究的问题是一个优化问题，其中生成了一个潜在的解决方案，计算了该解决方案的质量，并与当前的最佳解决方案进行了比较，以接近可能的最佳解决方案 在当前算法中，此惩罚的计算是迄今为止占用处理器时间最多的部分（分析表明，大约
GPU计算的效率来自于能够在数千个核上并行计算，即使这些核的运行速度比传统的CPU核慢。我想知道这个想法是否适用于我正在研究的问题 我正在研究的问题是一个优化问题，其中生成了一个潜在的解决方案，计算了该解决方案的质量，并与当前的最佳解决方案进行了比较，以接近可能的最佳解决方案 在当前算法中，此惩罚的计算是迄今为止占用处理器时间最多的部分（分析表明，大约5%的时间用于生成新的有效可能性，95%的时间用于计算惩罚）。然而，该惩罚的计算是一个相当复杂的过程，其中（潜在）解决方案的不同部分相互依赖，并且受到多个不同的约束，可能会对解决方案进行惩罚-该问题的数据模型目前需要存储超过200MB的RAM 有没有在GPU上为此类问题编写算法的策略？我目前的问题是，需要为处理问题的每个处理器核心/线程加载数据模型，因为生成新的解决方案所需的时间太少，所以开始使用锁并等待处理器完成其惩罚计算将是低效的 一个GPU显然没有足够的内存供每个核心使用。然而，我的理解是，如果模型存储在RAM上，GPU和CPU之间的通信开销将大大降低算法的速度（目前，这些惩罚计算中大约有100万次是在相当现代的CPU的单个核心上每秒执行的，我猜每秒向GPU传输100万次数据将很快成为瓶颈） 如果有人有任何见解，或者甚至提到过类似的问题，我将不胜感激，因为我自己的搜索结果还不多