并行协同差异进化算法研究

在协同差异进化(CCDE)算法和整体同步并行(BSP)计算模型的基础上,提出一种并行协同差异进化算法。采用Archive协同机制取代 CCDE原有的协同机制,有助于得到算法最优解,并使用BSP模型实现CCDE的并行计算。利用标准测试函数进行仿真实验,结果表明,该算法具有较高的计算效率和计算质量。     

一种新的并行文化微粒群优化算法

为了避免微粒群优化算法在解决复杂优化问题时陷入局部最优,提高算法种群的多样性。将微粒群优化算法纳入文化算法框架,提出了一种新的基于文化算法框架的并行微粒群优化算法。在文化算法框架中,由微粒群组成的群体空间和信念空间各自独立并行演化,并相互影响,有效地提高了种群的多样性,降低了陷入局部极值的可能性。通过对不同测试函数的仿真实验表明,新提出的并行文化微粒群优化算法比标准微粒群优化算法更容易找到全局最优解,提高了微粒群优化算法的全局寻优能力。     

基于多核微机的微粒群并行算法

提出了一种基于Logistic模型的惯性权重非线性调整策略,采用OpenMP多线程编程,在微机上实现了微粒群算法的多核并行计算。通过对BenchMark测试函数集中的5个函数进行测试,试验结果表明,采用基于Logistic模型的惯性权重非线性调整策略在算法成功率和收敛代数都优于线性调整策略,而基于OpenMP的微粒群多核并行计算使得计算速度得到提高。     

大数据下的典型机器学习平台综述

由于大数据海量、复杂多样、变化快,传统的机器学习平台已不再适用,因此,设计一个高效的、通用的大数据机器学习平台成为目前的研究热点。通过介绍和分析机器学习算法的特点以及大规模机器学习的数据和模型并行化,引出常见的并行计算模型。简单介绍了整体同步并行模型（BSP）、SSP并行计算模型以及BSP、SSP模型与AP模型的区别,主要介绍了基于这些并行模型的典型的机器学习平台和这些平台的优缺点,并指出各个平台最适合处理何种大数据问题。最后从采用的抽象数据结构、并行计算模型、容错机制等方面对典型的机器学习平台进行了总结,并提出一些建议和展望。     

一种新型的非线性系统模型参数辨识方法

针对传统模型参数辨识方法和遗传算法用于模型参数辨识时的缺点,提出了一种基于微粒群优化(PSO)算法的模型参数辨识方法,利用PSO算法强大的优化能力,通过对算法的改进,将过程模型的每个参数作为微粒群体中的一个微粒,利用微粒群体在参数空间进行高效并行的搜索来获得过程模型的最佳参数值,可有效提高参数辨识的精度和效率.     

并行BSP模型在实时集群系统中的应用

分析BSP并行计算模型在多源数据处理中的应用特点。构建实时集群计算机系统的并行计算BSP模型。对多源任务数据处理的粒度进行了分析设计。给出了实时集群计算机系统中BSP模型的实现算法。实际应用验证了算法的有效性。     

粒度可调的并行Kriging地层空间插值算法

为提高层状地层空间数据插值的计算速度和实现系统负载平衡,在采用动态调整并行粒度策略的基础上开发混合粒度的并行Kriging插值算法.在此算法中,根据CPU与地层层数之间的数量关系动态调整并行计算的粒度,优先使用粗粒度的并行计算策略,同时利用中粒度并行算法平衡负载.基于Windows2000 操作系统搭建了PC机群并行环境,大量的试验统计数据表明该方法具有良好的可扩展性和并行计算效率.     

无线传感网络移动节点位置并行微粒群优化策略

网络节点位置优化是无线传感网络研究的核心问题之一.无线传感网络通常由固定节点和少量移动节点构成,传统的虚拟力导向算法无法解决固定节点对移动节点优化的约束.该文针对这一问题,提出了基于并行微粒群算法的优化策略.微粒群算法具有适于解决连续空间多维函数优化问题、能快速收敛至全局最优解的特点.并行框架提高了算法的运行效率,降低了算法的运算复杂度,使算法能够满足无线传感网络的需求.通过并行微粒群算法搜索不同状态下无线传感节点的最优位置,使无线传感网络能够利用移动节点实现网络结构的动态重组,最大化网络覆盖范围,提高网络测量可靠性.实验证明,并行微粒群优化策略能快速有效地实现无线传感网络移动节点位置优化.     

并行计算模型在集群环境下的适应性

分析了并行计算机模型和集群系统的特点，研究了BSP并行计算模型在集群环境下的适应性，指出通过合理地设计并行算法，某些算法在集群环境下可以获得近似线性的加速比，并用常用的线性规划标准形改进单纯型求最优解，在集群系统上的并行算法验证了该结论。     

微粒群并行聚类在客户细分中的应用 *

提出了基于自适应微粒群优化的并行聚类算法 ,采用了任务分布方案和部分异步并行通信 ,降低了计算时间。这种并行自适应微粒群算法结合了并行微粒群算法的快速寻优能力和自适应参数动态优化特性 ,保持了群体多样性从而避免了种群退化。最后将该算法应用于电信客户细分中。实验证明 ,该算法在并行机群上具有了较好的准确性、加速性和可扩展性。     

BSP模型及其并行程序设计

当前并行计算领域的研究重点和热眯是研究“通用”并行计算的适用范围，而其中心议题是既具有可扩展并行性又同时具有体系结构独立必的可移植软件开发方法和工具的研究。解决体系结构独立的途径是通过引入的一个过渡模型使得软件和硬件得以较好的分离。ＢＳＰ（Ｂｕｌｋ Ｓｙｎｃｈｕｏｎｏｕｓ Ｐａｒａｌｌｅｌ）模型正是这样一个理论模型，它不但可提供既具有可扩展的并行性又独立于体系结构的并行软件开发方法，而且可为并行和     

并行计算模型在异构计算环境中的研究

近年来异构并行计算在高性能科学计算和通用应用领域受到广泛研究。本文结合多种代表性并行计算模型，给出异构环境中的HBSP模型和程序开销计算方法。采用基于消息长度的线性模型使通信开销的计算更精确，解除原有BSP模型对h-rela-tion的限制，使程序和算法在异构环境中的设计更加灵活。当构成BSP计算机的各处理机速度相同且原有BSP算法达到最优（即各处理机上所分配的计算量与通信量完全均衡）时，HBSP模型等同于原有模型。     

基于BSP的并行事务处理模型

BSP模型独立于并行体系结构,既可作为并行计算模型,又可作为并行程序设计模型。提出了基于BSP模型的H－V事务模型,适用于长、短事务和长短事务混杂的情况。给出了在无共享结构下实现并行事务处理的进程结构。该结构不仅实现了事务内及事务间并行性,而且使人有可用性（availability）和可扩充性（scalability）,而后给出了适用于该模型的基于时间戳的多版本并发控制协议,最后描述了事务在超步结构下的运行过程。性能测试表明,使用该模型进行事务处理时可获得良好的事务响应时间和加速比。     

带组织的粒子群优化同步并行算法

提出带组织的粒子群优化同步并行算法.粒子群优化算法是一种基于群体智能的演化算法,具有良好的优化性能.但由于群体的迅速收敛和多样性低,导致算法早熟收敛.带组织的粒子群优化同步并行算法虽然克服了早熟收敛问题,但无形中却增加了计算时间.结合已有的并行计算技术,构造出了该方法的同步并行计算算法,仿真试验证明并行算法具有更快的收敛速度.     

更实际的并行计算模型

过去所报导的大量并行算法在小规模的并行机上均运行得很好，然而将其移植到大规模并行机上运行时性能却很差。原因之一就是并行计算模型（如ＰＲＡＭ）过于抽象，略去了一些诸如通信、同步等算法运行时不可忽略的因素。本文介绍目前所提出的几个较能反映近代并行机性能的更为实际的并行计算模型，包括异步ＰＲＡＭ，ＢＳＰ，ｌｏｇＰ和Ｃ３模型等。当然这些模型在与真实并行机吻合的程度、可使用性和分析较复杂算法时的可操作性等方面尚存异议，但是它们的确打开了研究并行计其模型的新途径，成为当今并行算法研究的热点之一。     

PRAM programming: in theory and in practice

That the influence of the PRAM model is ubiquitous in parallel algorithm design is as clear as the fact that it is technologically infeasible for the forseeable future. The current generation of parallel hardware prominently features distributed memory and high‐performance interconnection networks—very much the antithesis of the shared memory required for the PRAM model. It has been shown that, in spite of communication costs, for some problems very fast parallel algorithms are available for distributed‐memory machines—from embarassingly parallel problems to sorting and numerical analysis. In contrast it is known that for other classes of problem PRAM‐style shared‐memory simulation on a distributed‐memory machine can, in theory, produce solutions of comparable performance to the best possible for such architectures. The Bulk Synchronous Parallel (BSP) model accurately represents most parallel machines—theoretical and actual—in an execution and cost model. We introduce a scalable portable PRAM realization appropriate for BSP computers and a methodology for usage. Our system is fast and built upon the familiar sequential C++ coupled with the new standard BSP library of parallel computation and communication primitives. It is portable to and predictable on a vast number of parallel computers including workstation clusters, a 256‐processor Cray T3D, an 8‐node IBM SP/2 and a 4‐node shared‐memory SGI Power Challenge machine. Our approach achieves simplicity of programming over direct‐mode BSP programming for reasonable overhead cost. We objectively compare optimized BSP and PRAM algorithms implemented with our C++ PRAM library and provide encouraging experimental results for our new style of programming. Copyright © 2000 John Wiley & Sons, Ltd.     

更实际的异构并行计算模型

通过结合多种代表性并行计算模型,给出异构环境中的ＨＢＳＰ模型和程序开销计算方法。采用基于消息长度的线性模型具有通信开销的计算更精确、程序和算法在异构环境中的设计灵活、且可解除原有ＢＳＰ模型对ｈ－ｒｅｌａｔｉｏｎ的限制等优点。当构成ＢＳＰ计算机的各处理机速度相同且原有ＢＳＰ算法达到最优（即各处理机上所分配的计算量与通信量完全均衡）时,ＨＢＳＰ模型等同于原有模型。     

一种新型的求解城市公交路网的并行PSO算法

粒子群算法是求解组合优化的新智能算法,本文以串行粒子群算法机理为核心,结合运筹学旅行商组合优化理论和并行的OpenMP技术,给出一种规划城市公交路网最短路径的并行PSO算法模型。通过Visual Studio 2005中C++编程实现仿真,得到城市公交路网路程权重最短目标,并与串行粒子群算法结果进行比较。实验结果表明,该算法不但能解决城市公交路网问题,而且执行时间短,具有更好的鲁棒性。     

一种带数据整数规划的新型并行自平衡PSO算法

为有效解决标准粒子群(PSO)算法在进化后期缺乏多样性且精度不高的问题,利用多核系统及实际高校地理数据,给出一种高校数据的整数规划方法及并行自平衡PSO算法模型来并行求解高校路网问题,同时体现算法性能。将自平衡机制采用多核系统并行处理方式生成相互独立的子群体,每个子群体间并行求解,最终生成主群体最优路径即高校路网。在Visual Studio2005.NET环境下用C++编程实现仿真。实验结果表明,此算法从求解精度及计算时间两个重要方面综合改善了算法性能。