一种并行细化算法的改进

对二值化以后的图像进行细化处理以抽取其骨架，在目标识别等领域有着广泛的应用．对现行的一种并行细化算法进行了改进，不仅从理论上避免了欠腐蚀与过腐蚀现象，提高了细化质量，而且显著提高了算法的执行速度．     

一种变步长并行LMS算法的研究

分析了几种常见的LMS算法，并通过理论分析，提出了一种变步长并行LMS算法，提高了LMS算法的收敛速度，使其适应高速数据处理需求。研究了变步长并行LMS算法的原理和具体实现步骤，同时通过变换算法的特性参数进行了MATLAB仿真研究，结果表明该算法具有一定的先进性。     

一种放松参数的部分并行ADMM算法

为了求解多块线性约束可分凸优化问题,提出了一种放松参数的部分并行交替方向乘子法(ADMM)算法—PPADMMR算法.该算法在子问题中引入带参数的临近项,放松了临近参数范围.数值实验表明,PPADMMR算法的收敛速度优于部分并行ADMM(PPADMM)算法,因此提出的PPADMMR算法可为研究快速ADMM算法提供参考.     

一种基于多线程技术的并行FFT算法

在传统的串行FFT算法基础上提出了一种基于多线程技术的并行FFT算法．实验数据表明：该算法在一定程度上能提高程序的执行效率，特别是当增大计算负载时，该算法的执行效率与传统的并行算法的比值（加速比）将趋近于处理器的个数．     

一种并行/容错系统的任务调度算法

任务调度算法是并行容错系统的重要问题之一,针对具有并行处理与容错任务的多单片机系统提出了一种新的任务调度算法,并结合系统的实际情况进行算法仿真并对算法进行了性能分析。     

一种挖掘关联规则的高效增量式更新算法

对事务数据库增加记录时的关联规则维护问题进行了研究,在分析现有算法的基础上,提出了一个高效的增量式更新算法EUAR。与同类算法相比,算法EUAR通过减少对已有数据库的扫描次数和采用有效的候选集剪枝算法,提高其执行效率。测试结果表明,算法EUAR是可行且有效的。     

一种分布式并行服务器节点故障检测算法

故障检测技术是实现分布式并行服务器容错的基础。为了尽可能减小故障检测算法对系统通信开销的增加,寄生式自适应故障检测算法被提了出来。该算法依靠系统内部固有的信息交换进行故障检测,而通过自回归AR模型预测消息的传输时间和处理时间,并以此自动调整故障检测的阈值,达到自适应系统运行状况的目的,最后通过伪代码的形式描述了该算法的实现。该算法已被应用于分布式并行数据库系统DPSQL,较好地实现了节点故障检测。     

一类变分不等式的重叠并行Schwarz算法

讨论了一类变分不等式的重叠并行Ｓｃｈｗａｒｚ算法，并建立了一种实用算法，证明了其收敛性，同时也讨论了该算法对于贴合分量的有限步收敛性．     

一种高效的特定边界检测算法

为了快速准确的检测特定边界,采用边界点跟踪算法检测特定轮廓边界点.通过分析不同算法的特点,提出了基于已知点夹角的边界点预估计算法和基于圆弧邻域扩展的边界点搜索算法,以避免跟踪进入搜索陷阱,提高边界跟踪对边界变化的鲁棒性.实验结果表明,边界点预估计算法可以有效的避免搜索陷阱的影响,正确地跟踪待检测边界;对不同曲率的边界,检测结果合理,边界点分布均匀.     

一种基于PVFS的并行核外计算方法

针对传统的并行核外编程复杂、虚存系统性能不理想的问题,提出一种基于PVFS的并行核外计算方法,描述了其软件层次结构、数据访问策略及实现,为工作站机群用户提供了方便的编程接口以及核外数据的全局视图.实验结果表明,该方法扩展了可有效解决的核外问题规模,大数据量时的计算性能优于虚存系统.     

智能并行编译器

在串行计算机上人们使用顺序程序设计语言编制程序，而在并行计算机上就要使用并行程序设计语言编制程序。如何把在串行机上运行的顺序程序转换成可在并行机上运行的并行程序，是一个急待解决的问题。文中提出一个基于程序相关图的智能并行编译器，用于实现这一转换．关键词     

无等待流水线调度问题的混合优化算法

针对无等待流水线调度问题提出了一种混合离散化粒子群优化算法。通过建立位置矢量编码与调度方案之间的映射关系将连续的粒子群优化算法应用于离散的无等待流水线工件调度问题。为了提高离散粒子群算法的性能,增强算法的探索能力,在粒子群每次迭代之后对全局最优解加入随机扰动并进行变邻域搜索。仿真结果表明,该优化算法具有良好的性能。     

基于网格的并行算法设计策略研究

首先介绍了网格的组成与特点及其在实际应用中存在的问题；然后将LogP并行计算模型拓展到网格上，提出双层LogP模型；基于该模型给出相应的并行算法设计策略；最后针对网格特点对行列划分矩阵乘并行算法进行了改进。数值试验表明改进后的算法具有更短的执行时间。     

面向异构并行架构的大规模原型学习算法

为解决当前原型学习算法在大规模、大类别机器学习和模式识别领域的计算密集瓶颈问题,提出一种采用GPU和CPU异构并行计算架构的可扩展原型学习算法框架.一是通过分解和重组算法的计算任务,将密集的计算负载转移到GPU上,而CPU只需进行少量的流程控制.二是根据任务类型自适应地决定是采用分块策略还是并行归约策略来实现.采用大规模手写汉字样本库验证本框架,在消费级显卡GTX680上使用小批量处理模式进行模型学习时,最高可得到194倍的加速比,升级到GTX980显卡,加速比可提升到638倍;算法甚至在更难以加速的随机梯度下降模式下,也至少能获得30倍的加速比.该算法框架在保证识别精度的前提下具有很高的可扩展性,能够有效解决原有原型学习的计算瓶颈问题.     

智能搜索引擎中协同过滤技术的研究

基于智能搜索引擎的电子商务购物平台是现今电子商务的发展趋势之一,其对用户在线购物具有一定的指导意义.协同过滤技术在智能搜索引擎中起到了重要作用,它的核心思想是用户会倾向于利用具有相似意向的用户群产品.协同过滤推荐系统使用统计技术搜索目标用户的若干最近邻居,然后根据最近邻居对项目的评分,预测目标用户对项目的评分,产生对应的推荐列表.     

闸门结构分析的有限元并行计算

分析了平面钢闸门的工作特点,研究和建立了平面钢闸门的精细组合有限元计算模型并进行了并行计算。提出了并行求解策略;采用循环分解技术来实现单元刚度矩阵生成的并行化,采用预处理共轭梯度法并行求解系统方程组。获得了较高的并行计算效率和合理的计算结果,明显减小了结构计算时间。     

分蓄洪区洪水演进的并行计算方法研究

通过网络计算机群,采用信息传递接口(MPI)为通讯库,建立了分蓄洪区洪水演进计算的并行数值模拟方法.以荆江分洪区为对象,模拟计算了实施分洪后洪水的演进过程.计算表明,网络并行计算系统机群的计算速度与计算规模、进程数等因素有关;并行计算相对于单机计算能够提高计算速度,并且加速比及并行效率会随着计算规模的加大而加大;同时,加速比会随着进程数的增加而先增加后减小,存在着一个最优的进程数.     

Parallel Expectation-Maximization Algorithm for Large Databases

The earliest resource dates back several decadeswhen Baumet al.[1]appliedthe algorithmin a specialcase of hidden Markov models.The most i mportantwork by Dempster,Laird and Rubin[2]formalizedex-pectation-maxi mization(EM)and proved its conver-gence.The basic EMalgorithmconsists of an expec-tation(E)step filling in missing data and finding itsdistribution giventhe known variables andthe currentparameter esti mates,and a maxi mization(M)stepre-esti mating the parameters to maxi mize the like…     

基于阿里云的四维弹簧模型并行运算性能

四维弹簧模型（Four-Dimensional Lattice Spring Model,4D-LSM）是一种考虑额外维相互作用的新型离散数值计算方法。该方法用于岩石破坏分析需要消耗大量计算资源,不适合在普通个人电脑上运行。基于多核并行技术,在阿里云和多核工作站等多种硬件环境下对4D-LSM的计算极限性能及瓶颈进行详细分析,主要研究了求解规模、求解类型、线程数、硬件配置等对4D-LSM求解效能的影响。研究发现,内存容量决定可计算的模型规模,弹性问题的计算时间与模型规模成正比,并行计算效率受CPU性能和内存带宽的共同影响。在不考虑经济因素的情况下,云计算在多核匹配和内存分配方面的灵活性特别适合于四维弹簧模型的并行计算分析。结果表明：基于阿里云的4D-LSM最大运算规模可以达到十亿单元,由于目前的瓶颈在于前后处理,4D-LSM目前的可分析规模仍然限制在两千万单元。最后,展示了采用极限规模的并行四维弹簧模型求解三维币形裂纹扩展的实际应用案例。