基于OPENMP的矩阵相乘的程序

SOR(Successive Over-Relaxation) 又名逐次超松弛法，是解决微分方程的一种通用算法，主要应用在解决拉普拉斯方程、肥皂泡形状等的问题上。本程序使用CUDA来实现sor，并且包含两种方法，一种是单一block运算整个矩阵，每个thread运算矩阵中的一个方块。一种是多个block运算整个矩阵，每个thread运算矩阵中的一个点。该程序有良好的注释，适合初学者学习。

PSo代码如何提供鼠标点击和帮助请用代码dcscsdcccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccccc

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

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。

QR算法是目前最广泛被用于求一般矩阵特征值的方法，但是由于串行算法的时间过于长，大大的降低了工作效率，所以我们将其在基于cuda架构上对其进行GPU加速，将原有的求矩阵特征值得串行算法进行并行化，大大地提高了工作效率

资源描述一、环境环境：Ubuntu14、Hadoop2.6，Eclipse、NLPIR/ICTCLAS2015等； 二、算法简介： 1、此项目是基于Hadoop2.6进行MapReduce并行开发； 2、此项目是文本分类的文本预处理和文本表示部分，包括分词，去停用词，特征选择和文本表示等（分类算法采用的是随机森林算法，暂时未开放，读者可自行采用Mahout或Weka进行验证）； 3、分词采用的是NLPIR/ICTCLAS2015；文本表示采用的是VSM模型，权重计算采用TFIDF进行文本表示；特征选择采用CHI算法（卡方统计）； 4、关于并行分词环境搭建，可参考我的博客http://www.cnblogs.com/merru/p/4917665.html 5、关于Hadoop环境搭建，可参考我的博客http://www.cnblogs.com/merru/p/4901528.html和http://www.cnblogs.com/merru/p/4905118.html。

差动速度算法器 这篇文章，在一系列，第六描述从根本上不同的方法计算速度从涡度，提出了在这些文章中的流体模拟的基石之一。第一篇文章总结了流体动力学 ；第二个调查流体仿真技术 ；和第三和第四次提出了涡粒子流体模拟与双向流体体之间的相互作用，在真正的时间运行。第五篇文章展示了如何获取和使用 CPU 使用率分析数据，优化，进一步并行化的代码，这样，它跑得更快。 这篇文章介绍一种求解速度从涡度的微分技术和与第 3 部分中所提出的积分 treecode 技术及其成果和业绩形成鲜明对比。泊松规划求解在这篇文章提出了一种比跑得快 treecode，但它的结果看起来不同的可能不那么令人满意。 涡旋速度，回顾 记得第二篇文章，您可以计算速度从涡度 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

你好，我想让更多的积分 你好，我想让更多的积分 你好，我想让更多的积分 你好，我想让更多的积分 你好，我想让更多的积分

应用背景并行计算是最近新兴的一门技术，但是关于并行计算的代码在现在还不是特别普遍。本文是关于折半插入排序的并行计算的应用，希望对您的学习有一定的帮助。关键技术并行计算，多线程，折半插入排序，加速比，并行，串行

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。