论文部分内容阅读
本文使用图形处理器(GPU)加速无条件稳定的Crank–Nicolson时域有限差分方法(CN-FDTD)中的迭代计算。在CN-FDTD仿真中,稳定的双共轭梯度法(Bi-CGSTAB)作为求解器用于求解每个时间步所产生的线性系统。提出了一种基于GPU的双共轭梯度法,在迭代过程中,稀疏矩阵矢量乘和向量操作都被GPU的多个处理器并行处理。由于GPU具有强大的并行处理能力,使用基于GPU的双共轭梯度法,CN-FDTD仿真所需的时间可以大大降低。借助NVIDIA公司提供的统一计算设备架构(CUDA)编程模型,实现了该基于GPU的双共轭梯度求解器。最后用GPU加速的CN-FDTD方法分析了若干微波电路,其数值结果表明了GPU加速处理的有效性。