26、基于八叉树网格的GPU感知自适应网格细化及同步相量测量算法性能与能效分析

基于八叉树网格的GPU感知自适应网格细化及同步相量测量算法性能与能效分析

1. 基于八叉树网格的GPU感知自适应网格细化

在基于八叉树的网格上进行GPU感知的自适应网格细化（AMR）时，需要考虑多方面的因素以确保算法的高效执行。

1.1 内存操作与线程同步

在更新操作后，线程需要通过CUDA中的 threadfence() 或icpc编译器中的 sync synchronize() 内置函数执行内存栅栏操作，以保证内存访问的一致性。为避免死锁，在OpenMP版本中，对基础单元的循环使用 pragma 进行静态调度，块大小设为1；在CUDA版本中，每个线程束仅使用一个线程。

1.2 性能测试

为评估所实现算法的性能，使用了特定的测试方法。将一个由基础单元组成的8×8×8立方体的一半划分为(8×8×4)×8 = 2048个物理单元，另一半对应8×8×4 = 256个物理单元。在这样的网格上，按以下顺序迭代执行一系列操作：
1. 细化阶段 ：将每个物理单元细化为8个子单元。
2. 碎片整理 ：对物理单元进行碎片整理。
3. 邻居搜索 ：为每个物理单元搜索邻居。

之后，再按以下顺序迭代变换得到的网格：
1. 粗化阶段 ：将具有共同父单元的8个物理单元合并为1个单元。
2. 碎片整理 ：再次对物理单