PLINQ is Coming Up Soon (PFX)

这是示例如何用逐次超松驰迭代 （SOR） 方法，求解线性系统的方程 使用 python 库 mpi4py。算法尝试计算节点之间平分。该程序不仅可以 在集群上运行。

secuential归并排序

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

如何在MFC中调用CUDA 环境：     Windows Vista SP1 Microsoft Visual Studio 2005 CUDA 2.0 步骤： 1.       创建一个对话框的

应用背景在GPU上实现N-BODY算法。N-Body模拟问题覆盖了自然科学的很多领域，从宇观的天体物理到宏观的流体动力学，直至微观的分子动力学。例如通过研究围绕着银河系的暗物质晕轮的形状和动力学特征来探索银河系形成过程，需要模拟数百万的星体和暗物质间的作用。现代生物物理学和化学中的许多研究，如细菌或植物体的光合作用膜处发生的光能向化学能的转化，染色体中DNA和蛋白质分子的描述，都需要模拟上千万的原子核分子的作用。关键技术N-Body问题的两个重要特征是： 第一点．计算规模大，因为无论是宇观的天体尺寸还是微观的分 子尺度．都包含了大量的粒子，粒子的规模大到数百万、千万。由于在 系统中任意的两个粒子问都存在着相互作用，因此商接计算粒子间的 相互作用的量级就是O(N^2)； 第二点．系统是动态变化的。为了反应系统的具体变化．尤其是在微观分子结构中．要求时间步足够小。这两个特征决定了计算机模拟 时巨大的计算量。这对于任何扁性能的单台计算机来说都是一个很难突破的瓶颈．因此采用并行汁算是解决N-Body问题的必然选择。主要涉及数据划分和线程任务划分实现。

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。

访问邻居 PC 零售商店提供了充足的证据，我们是在多核时代。厂商之间的关键区别今天是他们打包到单个芯片上的内核的数量。商品处理器的时钟频率已经达到了极限，然而，和很可能保持在以下 4 GHz 多年来。因此，加入内核是不增加计算能力的代名词。要充分利用提供的新的多核硬件的性能增强，相应地调整必须发生在软件基础设施 — — 转变为并行计算。

这是一份具有异构多核计算环境下的任务调度，计算异构环境下的最小makespan，适合研究并行计算的同学学习

时下人们已成为热心研究人员对全球各地的几个类型食物食谱。他们登录到几个网站，以获取最喜爱的美食和样式。除了中国、 泰国和意大利，印度食品在其 cusines 中有广泛的品种。印度食品是太辣和油性为旅游来自西方国家，其中许多研究结束其营养价值。在这里，我们建议提供的各种各样的中印度已消费的食品营养价值的 web 应用程序。拟议的系统将提供原料蔬菜、 奶制品、 烹饪那些被消耗在这个国家的产品的营养价值。这一制度的目的是向意识到人民从过度消费的是不适合他们的荒地和心灵的食物食谱。

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．