Abstract FR:

L'objectif du travail presente dans ce memoire est de proposer une methode d'evaluation d'une parallelisation efficace d'applications sur des architectures multiprocesseurs et de developper un environnement d'aide a la simulation. L'obtention de performances optimales est un probleme complexe dont l'etude doit prendre en compte les parallelismes potentiels de l'application, les parallelismes effectifs de la machine et la strategie d'allocation. Dans le but de faire apparaitre les parallelismes effectifs et de proposer une modelisation des machines par un graphe materiel, une analyse de divers modeles d'architectures est realisee. Une synthese des differentes techniques statiques d'allocation automatique est ensuite exposee. Enfin, l'analyse de methodes d'implantation permet de poser le probleme de la granularite des taches composant l'application, lors de sa modelisation par un graphe logiciel. L'exploitation de l'ensemble des parallelismes potentiels impose une granularite fine, mais entraine une explosion combinatoire lorsque l'application est de grande taille. Cette explosion peut etre reduite en augmentant la granularite, moyennant une perte de parallelisme exploitable. En reponse a ce probleme, une methode originale fondee sur les variations de la granularite et de la taille de l'application est proposee dans ce memoire. Elle definit la maniere d'augmenter la granularite des taches pour que la recherche d'une implantation, sur une architecture multiprocesseur, exploite l'ensemble des parallelismes potentiels apparaissant lors d'une decomposition en grain fin. Cette methode a ete mise en uvre sur une application connexionniste de grande taille, a savoir l'apprentissage par retropropagation du gradient de l'erreur sur un reseau neuromimetique multicouche. Les resultats de simulation fournis sont compares a ceux obtenus habituellement pour ce type d'application