大数据与高性能计算实验室

Big Data & HPC Laboratory

关于我们

课题组拥有两名校内指导教师和三名校外联合指导教师,校内指导教师:穆斌教授(博士生导师)和袁时金教授(博士生导师)。校外联合指导教师:中科院大气物理研究所的周菲凡老师、徐辉老师,以及中科院海洋所的王强老师。课题组主要研究大气海洋大数据的CNOP方法优化求解及其应用,包括:基于ZC模式的ENSO现象研究,基于MM5、WRF模式的台风目标观测研究与暴风雪预报研究,以及基于ROMS模式的双环流现象研究。同时利用GPU技术对多种大气海洋模式(CESM模式、WRF模式等)进行加速。

我们的联系方式

穆斌(教授,博士生导师):binmu99@163.com

袁时金(教授,博士生导师):yuanshijin2003@163.com

徐辉(中国科学院大气物理研究所,助理研究员):xuh@lasg.iap.ac.cn

周菲凡(中国科学院大气物理研究所 , 副研究员):zhouff04@163.com

王强(中国科学院海洋研究所 , 副研究员):wang.qiang1017@163.com

研究课题

1、国家高技术研究发展计划(863计划)项目“地球系统模式中的高效并行算法研究与并行耦合器研制”专题“海气耦合模式CNOP的高效并行算法及其优化”,2011.7至2012.12,项目编号:2010AA012304。

2、中国科学院知识创新工程重要方向项目“黑潮路径变异的数值模拟与分析研究”, 2011年1月至2013年12月。

3、国家自然科学基金青年基金项目“智能算法求解CNOP性能优化及其应用”,2015年01月至2017年12月,项目编号:41405097

4、2014年度软件工程学科建设专项科研团队项目“海气大数据高效存取与计算关键技术研究及平台实现”,2014年10月至2015年12月。

5、2015年度软件工程学科专项资金资助项目“多源气象大数据异构分布式存储与检索技术研究”,2015年9月至2016年12月。

硕/博研究生

温仕成
博士 / 已毕业

wenshicheng@yeah.net

研究方向:数据降维应用于ZC模式IA-CNOP求解。

卞杰
硕士 / 已毕业

bianjie008@gmail.com

研究方向:MM5伴随模式并行优化。

秦嘉川
硕士 / 已毕业

276188500@qq.com

研究方向:ZC模式的JASMIN框架重构。

周玮瑜
硕士 / 已毕业

zwy1520@163.com

研究方向:自适应组合栈MM5伴随模式CNOP系统。

张琳琳
博士 / 博五

zhanglinlin.1105@163.com

研究方向:智能算法求解CNOP在中尺度模式(MM5,WRF等)中的优化及其应用。

赵立
硕士 / 已毕业

1015675912@qq.com

研究方向:基于协同进化的智能算法求解CNOP研究及应用。

王劲鹏
硕士 / 已毕业

jp.wa@outlook.com

研究方向:GPU & FGPA 异构计算解决方案。

颜景豪
硕士 / 已毕业

yanhao1991@gmail.com

研究方向:MM5模式CNOP系统Hadoop求解与优化

吉丰
硕士 / 已毕业

jfeng0423@163.com

研究方向:WRF模式CNOP系统维度选取与智能算法结合求解。

钱一闻
硕士 / 已毕业

qywheats31@163.com

研究方向:智能算法结合混沌理论求解CNOP在ZC模式中的应用及优化。

任菊慧
博士 / 博四

legna868@163.com

研究方向:并行化免伴随SPG2算法求解ZC,MM5和New ICM模式CNOP系统。

李糜
硕士 / 已毕业

limisky@outlook.com

研究方向:IA-CNOP求解双环流变异最优前期征兆。

陈韵怡
硕士 / 研三

cyy_lele@qq.com

研究方向:智能算法求解CNOP预测台风路径在WRF模式中的应用。

赵珺晖
硕士 / 研三

cokunhui@qq.com

研究方向:基于Hadoop的MM5模式CNOP系统并行优化研究。

李婧
博士 / 博二

lolilukia@foxmail.com

研究方向:GPU并行技术在CESM模式中的应用。

梅真好
硕士 / 研二

2323794414@qq.com

研究方向:基于Adaboost和PSO算法构建BP-RBF-SVM的组合预测模型及其应用。

张翔
硕士 / 研二

546919127@qq.com

基于WRF模式CNOP系统的台风目标观测敏感区识别。

秦博
博士 / 博一

brunoqin@163.com

利用智能算法求ENSO事件CNOP,研究ENSO事件等可预报性。

罗晓丹
硕士 / 研一

375454026@qq.com

GPU并行加速技术在CESM模式的应用,智能算法求解CNOP研究北大西洋涛动。

彭程
硕士 / 研一

kris.dacpc@gmail.com

深度学习与气象数据处理。

马少阳
硕士 / 研一

496493053@qq.com

zc模式的深度神经网路代替研究。

施博
硕士 / 研一

729787384@qq.com

基于集合卡尔曼滤波算法的wrf模式数据同化。

王铖
硕士 / 研一

wangch_smb@163.com

基于LSTM神经网络的台风预测。

张华桢
即将入学

494946702@qq.com

ROMS模式参数敏感性及降维方法研究。

崔悦涵
即将入学

18221182160@163.com

基于深度神经网络的气候预测。

王冠淞
即将入学

18221188857@163.com

大数据环境下深度学习方法,深度神经网络在气象分析预报方面的应用。

发表的论文

1.Shijin Yuan, Shicheng Wen, Hongyu Li(*), Xinfeng Zhang and Qin Liu: An optimization framework for adjoint-based climate simulations: A case study of the Zebiak-Cane model, International Journal of High Performance Computing Applications(SCI) published online on 11 July 2013.

2.Shicheng Wen, Shijin Yuan(*), Hongyu Li and Bin Mu, Robust Ensemble Feature Extraction for Solving Conditional Nonlinear Optimal Perturbation, 15th IEEE International Conference on High Performance Computing and Communications (HPCC2013) (EI, CCF C类) , Zhangjiajie, 2013.11.13-2013.11.15 & International Journal of Computational Science and Engineering (EI).

3.Hongyu Li, Weiyu Zhou, Shijin Yuan(*) and Shicheng Wen, ACStack: Adaptive Composite Stack for Adjoint Models in Code Optimization, 15th IEEE International Conference on High Performance Computing and Communications (HPCC2013) (EI, CCF C类) , Zhangjiajie, 2013.11.13-2013.11.15.

4.Hongyu Li, Jie Bian, Shijin Yuan(*), Jiachuan Qin, Parallel Optimization of the MM5 Adjoint Model, 15th IEEE International Conference on High Performance Computing and Communications (HPCC2013) (EI, CCF C类) , Zhangjiajie, 2013.11.13-2013.11.15.

5.Hongyu Li, Jiachuan Qin, Shijin Yuan(*) and Jie Bian, Code parallel refactoring of the Zebiak-Cane model based on JASMIN, 3rd Int. Conference on Computer Science and Network Technology (EI), Dalian, 2013.10.12-2013.10.13.

6.Mu B, Wen S, Yuan S, et al. Orthogonal Neighborhood Preservation Projection Based Method for Solving CNOP. Proceedings of the 10th international conference on intelligent computing theory, 2014: 120-126.

7.Wen S, Yuan S, Mu B, et al. SAEP: Simulated Annealing Based Ensemble Projecting Method for Solving Conditional Nonlinear Optimal Perturbation. Algorithms and Architectures for Parallel Processing. 2014, 1: 655-668.

8.Yuan S J, Wen S C, Li H Y et al. An optimization framework for adjoint-based climate simulations: A case study of the Zebiak-Cane model. International journal of high performance computing applications, 2014: 28 (2): 172–180.

9.Mu B, Wen S, Yuan S, et al. PPSO: PCA based particle swarm optimization for solving conditional nonlinear optimal perturbation[J]. Computers & Geosciences, 2015, 83: 65-71.

10.Wen S, Yuan S, Mu B, et al. PCGD: Principal components-based great deluge method for solving CNOP[C]//Evolutionary Computation (CEC), 2015 IEEE Congress on. IEEE, 2015: 1513-1520.

11.Wen S, Yuan S, Mu B, et al. Robust PCA-Based Genetic Algorithm for Solving CNOP[C]//Intelligent Computing Theories and Methodologies. Springer International Publishing, 2015: 597-606.

12.Yuan S, Qian Y, Mu B. Paralleled Continuous Tabu Search Algorithm with Sine Maps and Staged Strategy for Solving CNOP[C]//Algorithms and Architectures for Parallel Processing. Springer International Publishing, 2015: 281-294.

13.Mu B, Zhang L, Yuan S, et al. PCAGA: principal component analysis based genetic algorithm for solving conditional nonlinear optimal perturbation[C]//Neural Networks (IJCNN), 2015 International Joint Conference on. IEEE, 2015: 1-8.

14.Yuan S, Zhao L, Mu B. Parallel Cooperative Co-evolution Based Particle Swarm Optimization Algorithm for Solving Conditional Nonlinear Optimal Perturbation[C]//Neural Information Processing. Springer International Publishing, 2015: 87-95.

15.Yuan S, Ji F, Yan J, et al. A Parallel Sensitive Area Selection-Based Particle Swarm Optimization Algorithm for Fast Solving CNOP[C]//Neural Information Processing. Springer International Publishing, 2015: 71-78.

16.Shijin Yuan, Jinghao Yan, Bin Mu and Hongyu Li, Parallel Dynamic Step Size Sphere-Gap Transferring Algorithm for Solving Conditional Nonlinear Optimal Perturbation [C], HPCC 2015 [C].

Ren J, Yuan S, Mu B. Parallel Modified Artificial Bee Colony Algorithm for Solving Conditional Nonlinear Optimal Perturbation[C]. IEEE, International Conference on High PERFORMANCE Computing and Communications; IEEE, International Conference on Smart City; IEEE, International Conference on Data Science and Systems. IEEE, 2016:333-340.

Yuan S, Li M, Mu B, et al. PCAFP for Solving CNOP in Double-Gyre Variation and Its Parallelization on Clusters[C]. IEEE, International Conference on High PERFORMANCE Computing and Communications; IEEE, International Conference on Smart City; IEEE, International Conference on Data Science and Systems. IEEE, 2016:284-291.

Zhang L L, Yuan S J, Mu B, et al. CNOP-based sensitive areas identification for tropical cyclone adaptive observations with PCAGA method[J]. Asia-Pacific Journal of Atmospheric Sciences, 2017, 53(1):63-73.

Mu B, Ren J, Yuan S. An Efficient Approach Based on the Gradient Definition for Solving Conditional Nonlinear Optimal Perturbation[J]. 2017, 2017(1):1-10.

Mu B, Zhao J, Yuan S, Yan J. Parallel dynamic search fireworks algorithm with linearly decreased dimension number strategy for solving conditional nonlinear optimal perturbation. International Joint Conference on Neural Networks (IJCNN), 2016.

Yuan S, Chen Y, Mu B. CACO-LD: Parallel Continuous Ant Colony Optimization with Linear Decrease Strategy for Solving CNOP[C]. International Conference on Neural Information Processing. Springer, Cham, 2017: 494-503.