[发明专利]一种基于GPU的各向异性叠前逆时偏移优化方法

权利要求书

1.一种基于GPU的各向异性叠前逆时偏移优化方法，其特征在于，包括算法优化和性能优化，所述性能优化包括内存密集型优化、指令密集型优化和延迟密集型优化；

延迟密集型计算优化的方法还通过全局读优化和全局写优化实现；

全局读优化通过将输入数据和系数合并读入共享存储器再合并输出，全局写优化通过设定临时变量，将部分和保存到寄存器中，直到全部写完实现；

所述算法优化方法包括以下步骤：

(1)、设定两个共享存储器s_pp和s_px以及三个本地寄存器local_px、local_py和local_pxy，

(2)、每个线程分别从共享存储器s_pp中读取数据并计算x-导数，

(3)、每个线程分别从共享存储器s_pp中读取数据并计算y-导数，

(4)、共享存储器s_px存放由共享存储器s_pp中数据计算得出的x-导数，然后再计算y-导数，即得xy-导数；

延迟密集型计算优化的方法是通过以下步骤实现：

1)循环展开：提高GPU上SM的并行性，有效隐藏数据读取时间；

2)异步流技术实现计算和传输的异步执行。

2.根据权利要求1所述的一种基于GPU的各向异性叠前逆时偏移优化方法，其特征在于，步骤(2)还包括将所述x-导数存放在局部存储器local_px中。

3.根据权利要求1所述的一种基于GPU的各向异性叠前逆时偏移优化方法，其特征在于，步骤(3)还包括将y-导数存放在局部存储器local_py中。

4.根据权利要求1所述的一种基于GPU的各向异性叠前逆时偏移优化方法，其特征在于，步骤(4)还包括将xy-导数存放在局部存储器local_pxy中。

5.根据权利要求1所述的一种基于GPU的各向异性叠前逆时偏移优化方法，其特征在于，指令密集型优化是通过减少warp或cuda计算单元的计算分支实现的。

6.根据权利要求1所述的一种基于GPU的各向异性叠前逆时偏移优化方法，其特征在于，所述指令密集型优化是还可以通过采用cuda自带的快速计算函数实现。