[论文解读] A Novel Implementation of QuickHull Algorithm on the GPU

Jiayin Zhang, Gang Mei+2 more|arXiv (Cornell University)|Jan 20, 2015

Computational Geometry and Mesh Generation参考文献 20被引用 5

一句话总结

本文提出了一种基于Thrust库原原子的新型GPU加速2D QuickHull算法实现，通过高效并行化分治方法，直接在输入数组上操作，并利用分段扫描、并行排序和归约等技术，实现了相较于CPU版Qhull高达10.98倍的加速，可在约0.2秒内计算出2000万个点的凸包。

ABSTRACT

We present a novel GPU-accelerated implementation of the QuickHull algorihtm for calculating convex hulls of planar point sets. We also describe a practical solution to demonstrate how to efficiently implement a typical Divide-and-Conquer algorithm on the GPU. We highly utilize the parallel primitives provided by the library Thrust such as the parallel segmented scan for better efficiency and simplicity. To evaluate the performance of our implementation, we carry out four groups of experimental tests using two groups of point sets in two modes on the GPU K20c. Experimental results indicate that: our implementation can achieve the speedups of up to 10.98x over the state-of-art CPU-based convex hull implementation Qhull [16]. In addition, our implementation can find the convex hull of 20M points in about 0.2 seconds.

研究动机与目标

• 开发一种高效的GPU实现，用于2D凸包计算的QuickHull算法。
• 展示一种使用高级原原子在GPU上并行化分治算法的实用方法。
• 通过优化内存访问和算法结构，提升现有CPU和GPU实现的性能。
• 评估预处理对计算效率和内存使用的影响。

提出的方法

• 算法直接在输入坐标数组上操作，无需数据复制，通过分段表示子集。
• 将点划分为上下两组后，按x坐标对每组进行排序，形成单调链。
• 使用Thrust库原原子——并行分段扫描、并行排序、归约和分区——实现高效计算。
• 通过识别当前凸包边最远的点来更新分段，创建新分段而不改变数据顺序。
• 保留每个分段的第一个点以保持极端点，避免完全移除分段。
• 预处理步骤可早期丢弃内部点，减少内存占用并加速后续步骤。

实验结果

研究问题

• RQ1 如何将QuickHull的分治结构有效映射到使用基于分段数据结构的GPU并行执行？
• RQ2 与低层CUDA或CUDPP相比，使用Thrust等高级GPU库能带来多大的性能提升？
• RQ3 预处理如何影响基于GPU的凸包计算的运行时间和内存占用？
• RQ4 GPU并行化QuickHull流水线中的计算瓶颈是什么？

主要发现

• 所提出的GPU实现相较于最先进的CPU版Qhull库，最大加速比达到10.98倍。
• 该算法在K20c GPU上可在约0.2秒内计算出2000万个点的凸包。
• 预处理显著提升性能，可早期丢弃超过50%的输入点，减少内存分配和计算开销。
• 第2步（递归凸包计算）是最耗时的步骤，表明其为主要性能瓶颈。
• 使用Thrust库可实现简洁、可读性高的代码，且在实际部署中性能优于使用CUDPP的实现。
• 预处理后内存使用量显著降低，仅保留原始点数的50%以下用于处理。