基于CPU/GPU异构协同的并行离散事件仿真关键技术研究

Compared to time-stepped simulation, Parallel Discrete Event Simulation (PDES) is more efficient and has attracted more research interests nowadays. However, it is more difficult for PDES to be applied with GPU than time-stepped simulation because PDES has many stochastic events. To overcome this shortcoming, this project proposes to study a method to coordinate CPU and GPU via multi-thread scheduling and communication. Moreover, to promote parallelism of traditional conservative time advancement strategy, an algorithm maintaining both pessimistic and conservative characteristics is proposed using running information to enlarge limit of events which can be safely executed. And to enhance GPU memory layout and computation-to-communication ratios, an approach is to be studied to avoid latency caused by memory bandwidth saturation. All the above works can gain a higher utilization of heterogeneous resources of CPU and GPU, and provide a solid base for resolving the problem of low running efficiency of large scale PDES systems.

相对于时间步进仿真，具有更高运行效率的并行离散事件仿真方法近年来逐渐成为仿真界的研究热点。但事件的随机性和不规则性使后者更难于对应到GPU众核的大规模并行性，为了克服这一困难，本课题提出研究一种面向并行离散事件仿真的基于CPU和GPU多线程协同调度与通信的方法。同时，为克服传统保守时间推进策略事件处理并行性不足的缺点，提出一种乐观／保守并存的利用运行时信息扩展可安全执行事件时间界限的算法。进而从改进仿真内存布局和提高系统计算／通信比出发，提出一种减小GPU线程核全局内存访问延迟的算法。从而全面提高CPU／GPU异构资源利用率，为解决大规模并行离散事件仿真系统运行效率低的问题打下坚实基础。

研究建立了一种面向并行离散事件仿真的基于CPU和GPU多线程协同调度与通信的方法，研究提出了基于CPU/GPU协同并行的中观交通仿真方法并有效运用于新加坡高速路网。仿真实验证明，所提出的中观交通仿真框架能有效减少仿真时间。通过对比理想网格/实际路网仿真应用中GPU并行和CPU串行的运行效率，结果是相对于串行CPU，并行GPU最大加速比分别是10.0倍和4.4倍，减少了交通部门的预测时间。. 从改进仿真内存布局和提高系统计算／通信比出发，提出一种CPU/GPU异构协同的多智能体加速算法。所提出的多智能体GPU加速路径规划算法在算法层面实现了最短路径搜索算法的并行设计。通过该并行算法，使得路径搜索所花费的时间不管是对agent数目亦或是地图网格粒度都不再那么敏感，并行化的全局A*算法较串行化的全局A*算法在网格粒度为200*200时提高了23倍。进一步地，建立起完整的基于GPU的仿真框架，设计了GagentData、Gagent、GModel、GWorld、GVisuial、GRandom等模块及其相应的API，通过简单的函数调用及参数设置，就能够构建并运行个性化的多智能体仿真场景。. 基于以上研究，在并行仿真、多智能体仿真等领域，开发了一种面向并行化的建模与仿真语言，实现了高超声速飞行器中控制与气动模型的求解，成果获中国仿真学会科技进步一等奖和国际建模仿真大会杰出论文奖等奖励。发表SCI论文17篇，授权专利1项，英文专著1本。