光滑粒子动力学方法(SPH)是一种较为流行的数值模拟方法,该方法常被用于流体的模拟仿真。在用SPH方法进行数值模拟的时候,需要对空间用粒子进行插值。为了实现较为真实亦或是进行较大规模场景的仿真,需要用到大量的粒子。当仿真场景中的粒子数量以及粒子密集程度增加时,仿真算法的时间开销也会增大,故此仿真效果常和仿真效率存在一个权衡。为了尽可能得到较好的仿真效果,又不增加计算的时间开销,本文进行了关于SPH算法加速方面的研究,完成了在不降低SPH算法数值精度的前提下,实现算法性能突破。借助GPU强大的并行计算能力,SPH算法的GPU实现比CPU实现的性能效果突出。当前,较为高效的GPU加速算法主要是基于共享内存的任务调度。考虑到当前主流任务调度算法在进行数值计算时,存在较多冗余数据的重复加载计算,本文给出了一种新颖的双重任务调度策略,通过不同大小的计算任务的并行交错执行,在不增加额外闲置线程的情况下,提高了传统主流任务调度算法的计算性能。此外,考虑到传统主流方法在粒子较为稀疏的仿真场景中的计算效率高于共享内存的任务调度方法,本文设计了新的哈希编码方法,使得共享内存的任务调度方法和传统主流方法可以进行混合计算,从而提高算法的普适性和有效性。在基于GPU的SPH算法中,当空间粒子较为密集时,邻居查找的时间开销较大。邻居查找计算过程中,主流的固定网格方法存在较多无关粒子的查找计算,对算法性能影响较大。简单的网格细分方法在算法循环迭代上的时间开销过大,这在很大程度上会影响算法的实际效率。为此本文给出了一种新颖的多层级垂直网格划分方法,该方法较为充分地考虑了邻居粒子数据的连续性,通过在不同层级上进行邻居粒子查找的方式,尽可能减少了循环迭代的次数,缩小了实际的邻居查找空间,进而实现了对SPH算法的加速。综合本文的多层级任务调度方法和多层级邻居查找方法,本文设计了统一的加速框架。基于该框架,结合多种SPH算法,实现了完整的加速仿真框架,进行了多种自然场景的仿真,并对多种不同的SPH算法进行了性能测试。测试结果表明本文的加速框架在真实的仿真场景中对比主流共享内存任务调度方法可以达到80%左右的性能提升。综上所述可知,本文的框架不影响SPH算法的数值方法,普适于大多数的SPH算法,可直接投入SPH算法的实际应用。