并行使用 C# 的变身算法

研究多目标遗传算法的优化，包含遗传算法过程中涉及的的各个步骤，非常适合于研究遗传算法及对遗传算法进行多目标优化的同学

资源描述目前，高能效的并行任务调度算法设计已经成为集群系统的研究热点．现有基于复制的节能调度算法主要利用阈值平衡系统的性能和能耗，但随机设置的阈值无法根据性能需求和环境参数等特征自动调节，导致调度算法存在一定的局限性．文中提出一种面向同构集群系统的两阶段节能调度算法ＡＴＥＳ（Ａｄａｐｔｉｖｅ　Ｔｈｒｅｓｈｏｌｄ－ｂａｓｅｄ Ｅｎｅｒｇｙ－ｅｆｆｉｃｉｅｎｔ　Ｓｃｈｅｄｕｌｉｎｇ）．首先，设计一种基于自适应阈值的任务复制策略，该策略能够自动计算最佳阈值，利用该阈值获取近似最优的任务分组．然后，将各分组任务调度到支持ＤＶＳ的处理器上，并充分利用任务之间的空闲时间降低处理器电压．该算法将任务复制策略与电压调节技术有机结合，在调度过程中能够自动调整阈值，有效提高调度算法的能效．为了验证ＡＴＥＳ算法的合理性，通过典型应用进行仿真实验，并与常见任务调度算法进行比较，结果表明ＡＴＥＳ算法能够更好地实现性能和能耗之间的平衡．

本程序为简易的CUDA编程，两个程序都是计算矩阵的乘法。其中Matrix1和Matrix2的区别是Matrix2使用了shared memory。每个程序都使用了串行和并行两种方式计算乘法，最后将并行的运算结果与串行运算结果对比，验证计算的正确性。同时，程序中利用CUDA计时模块统计了并行运算的耗时。因此可以得出使用shared memory后改善的运行时间。

资源描述VS_cuda并行计算 两基于vs实现的.cu代码 简单的实现矩阵相乘和反转。

I2C总线驱动，8位单片机适用。 在总线控制，并下发指令是，效率好，另外，此程序在keil编译器中已经编译通过。

基于改进蚁群算法的移动机器人路径规划，解决机器人路径选择的低效率问题，本算法对传统蚁群算法进行了改进，包括解的构造过程，信息素更新过程，基本思想是，蚂蚁在经过的路径上留下信息素，信息素一方面随着时间的积累，较优路径上的信息素越积越多，一方面还要挥发。为什么要引入信息素呢？也是从传统的奖励机制发展过来的。

目的：加速视频中彩色图像转换为灰度图像，提取视频图像中的边缘。 开发环境：windows 8.1 x64操作系统  vs2012 cuda5.5  opencv2.4.8 硬件环境：NVIDIA  GeForce GT 740M ,4G内存，Intel(R) Core(TM) i5-4200MCPU @2.50GHz 请点击左侧文件开始预览 ！预览只提供20%的代码片段，完整代码需下载后查看 加载中 侵权举报

应用背景读取一个文本文件包含数字（小于2E8），它存储在一个动态数组的冒泡排序法，并打印出另一个文本文件。在终端中返回每个进程的运行时。如果该参数没有指定，默认为一个叫做“Sal txt文件。”（必须保存在当前目录），如果参数定义的文件进入参数与数组排序。关键技术泡沫排序，有时也称为“下沉排序”，是一个简单的排序算法，通过列表中的重复步骤来进行排序，比较每一对相邻的项目，如果它们是错误的顺序。通过列表的传递，直到不需要进行任何交换，这说明列表是排序的。这是一个比较排序的算法，它被命名为较小的元素“泡沫”到列表的顶部。虽然算法简单，但对于大多数问题来说，它是太慢和不切实际的，即使在插入排序。[ 1 ]它可以是实际的，如果输入通常是按排序顺序，但可能会偶尔有一些顺序元素的位置近。

OMPI编译器 用于OPENMP的开源C编译器 上传1.2.2版本 请在LINUX环境下使用

应用背景  Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。  关键技术频繁项集挖掘采用spark实现的并行化挖掘算法。并行的apriori算法采用scala编写，并行的apriori采用java编写。里面会有较多函数使编程的内容。