GPU加速的零银行冲突差分进化粒子滤波算法优化

本文主要探讨了在实时系统中解决粒子滤波计算复杂性问题的一种创新方法，即GPU加速的差分进化粒子滤波算法。论文的出发点是针对并行差分进化粒子滤波在GPU执行时遇到的内存访问银行（存储体）冲突问题。由于这种冲突会显著增加计算复杂度，作者提出了一个针对性的解决方案，即通过引入有填充寻址的策略来消除这些冲突。 作者首先对并行差分进化粒子滤波算法在GPU中的内存访问模式进行了深入分析，认识到粒子滤波器的均方根误差与内存访问冲突程度密切相关。他们设计的算法旨在优化内存访问效率，减少不必要的冲突，从而降低计算负担。通过在NVIDIA GTX960 GPU上实现这一改进算法，与传统的串行版本进行了性能对比。 实验结果显示，当粒子数量增加时，采用GPU加速的差分进化粒子滤波算法可以显著降低计算时间，因为计算量随粒子数呈指数级增长，而GPU并行处理的优势得以体现。同时，算法的执行时间减少使得跟踪精度得到了提高，这对于实时系统的实时性和准确性至关重要。 此外，本文还提到了研究背景，包括国家自然科学基金和甘肃省自然科学基金的支持，以及作者团队的研究方向，如曹洁教授主要研究信息融合、智能交通和信号检测与估计，黄开杰教授专注于智能信息处理，王进花副教授则聚焦于检测技术和自动化装置。 总结来说，这篇论文的核心贡献在于提出了一种利用GPU并行优势和优化内存访问策略的差分进化粒子滤波算法，为实时系统的高效跟踪提供了新的解决方案，具有较高的实用价值和理论意义。