.png){kind=icon}
.png){kind=icon}
返回
Accelerating the Conjugate Gradient Method on Distributed-Memory Computers
.png){kind=icon}
PRE
AI
DOI：10.1007/s10766-026-00821-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种针对无预处理共轭梯度(CG)方法的优化分布式内存算法。我们实验了使用CG算法与压缩稀疏行(CSR)、压缩稀疏行5(CSR5)、压缩稀疏行2(CSR2)和对称压缩稀疏行(SCSR)稀疏矩阵格式。对于CG算法，我们提出了基于CSR5和基于SCSR的分布式内存稀疏矩阵-向量乘法(SpMV)算法。我们开发了五种使用不同组合的上述稀疏矩阵格式和SpMV算法的分布式内存CG实现。我们在配备Intel x86-64 CPU的分布式内存计算机集群上对实现进行了基准测试。对于最大基准测试的计算节点数量，我们优化后的分布式内存CG算法与基于CSR的SpMV的中位性能比当前最先进的PETSc库高出58%，而优化后的分布式内存CG算法与基于SCSR的SpMV的中位性能比PETSc库高出105%。
Keyword:
Compressed sparse row format
Conjugate gradient method
Distributed-memory algorithm
High-performance computing
Sparse system of linear equations
Sparse matrix-vector multiplication
期刊
I
IF:
0.9
论文数:
18
被引数:
476