粒子输运理论和粒子输运方程在众多领域中都有非常广泛的应用,推动了大规模科学工程计算和国民经济建设的发展。Sweep3D采用离散纵坐标法(Sn),求解一个时间独立、三维笛卡尔几何、单能群的粒子输运方程,计算量非常巨大。近年来,GPU的浮点运算性能和可编程性不断地在提升,CPU-GPU异构体系结构和协同并行计算已经是当前高性能计算系统的重要趋势,它的发展对粒子输运方程的解决带来了机遇和挑战。本文深入研究了基于GPU的Sweep3D并行实现和基于CPU-GPU异构平台的Sweep3D协同并行实现,并在国家超算长沙中心的“天河-1A”系统上进行了实验。本文的主要研究工作如下:(1)基于GPU的Sweep3D并行算法研究。本文首先阐明了 Sweep3D在GPU上的算法流程,然后在Sweep3D的波阵面扫描过程中,采取三对角扫描方法将网格单元分配给多个GPU线程并行处理。为了提高GPU并行算法的性能,采取了全局存储器访问优化、消除数据依赖、线程块大小三个优化措施对GPU并行算法进行了优化。(2)基于CPU-GPU的Sweep3D协同并行算法研究。本文将Sweep3D的不同计算过程分配到合适的计算设备处理,并将其中耗时最多的波阵面扫描过程同时分配给CPU和GPU进行协同并行计算,充分利用了 CPU和GPU的计算资源。提出了一种二对角扫描方法,有效地将网格单元计算映射到CPU和GPU。为了保证CPU和GPU之间的负载均衡,采用了静态、动态两种任务划分模型对网格单元进行了分配。通过将离散的网格单元数据进行合并以及数据传输和计算重叠技术,有效地解决了动态任务划分模型中的数据传输开销问题。(3)基于MPI-OpenMP-CUDA并行编程模型,在“天河-1A”系统上对Sweep3D的CPU-GPU协同并行算法进行了任务划分模型、通信优化以及算法性能测试。验证了动态任务划分模型比静态任务划分模型能够更好地保证CPU和GPU之间的负载均衡;经过数据传输优化之后,GPU端数据传输时间占总执行时间的比例明显下降;基于CPU-GPU的协同并行算法在单节点和多节点上相对于CPU并行算法都取得了比较好的加速比。