面向多核多线程微处理器的优化

伴随着计算机硬件以及软件的快速发展,多核心的CPU正在快速普及到各个部门,当前撑血设计和软件开发的热门问题是电脑上的并行计算。并行计算的出现对传统的串行计算是一个巨大的改变,现在multi-core(多核)以及multi-threading(多线程:特质硬件线程)处理器发展飞速,成为了外来研发技术和硬件设施的新领域。     

基于多核多线程处理器的网络设备设计与实现

网络中核心设备的数据吞吐量非常大,兼顾高数据量吞吐和业务处理非常重要.提出采用最新的多核多线程处理器,以VCPU为单位部署操作系统,实现两种操作系统共CORE,通过共享内存通信方案,有效解决高数据吞吐率和复杂业务处理的矛盾,细化多核处理器的分配粒度,从而提升网络核心设备的性能.     

基于多核多线程处理器的网络设备设计与实现

网络中核心设备的数据吞吐量非常大,兼顾高数据量吞吐和业务处理非常重要。提出采用最新的多核多线程处理器,以VCPU为单位部署操作系统,实现两种操作系统共CORE,通过共享内存通信方案．有效解决高数据吞吐率和复杂业务处理的矛盾,细化多核处理器的分配粒度,从而提升网络核心设备的性能。     

一种在r台机上的并行排序算法

本文给出一个在ｒ台机上的实用并行排序算法，并行步数不超过Ｔｒ＝Ｏ（ｎ／ｒ）ｌｏｇ２ｒ．ｌｏｇ２ｎ），１＜ｒ＜ｎ．     

多核处理器中一种改进的并行排序算法

传统的基于多核处理器的并行排序算法受限于SIMD寄存器个数,并在子序列长度较长时合并算法效率较低。针对该问题,本文提出一种改进的并行排序算法,将基数划分和SIMD指令结合起来,能避免使用宽度较大的合并网络,并且缓解受限于SIMD寄存器的情况,充分利用处理器各级并行资源。实验结果表明,该算法能够提升并行排序效率。     

智能归并排序

文中详细介绍并分析了归并排序算法的优缺点,针对归并算法的强制把数据划分两份进行了改进,提出按照数据本身具有的规律进行智能归并排序划分的方法。该方法将局部有序的记录块作为一组,避免对已经有序的数据划分再归并;而对局部逆序的记录块先进行内部旋转再进行分组。并且针对归并算法拷贝数据费时的缺点．采用了原数据空间与临时数据空间依...     

智能归并排序

文中详细介绍并分析了归并排序算法的优缺点,针对归并算法的强制把数据划分两份进行了改进,提出按照数据本身具有的规律进行智能归并排序划分的方法。该方法将局部有序的记录块作为一组,避免对已经有序的数据划分再归并;而对局部逆序的记录块先进行内部旋转再进行分组。并且针对归并算法拷贝数据费时的缺点．采用了原数据空间与临时数据空间依次交换的方法减少数据的大量拷贝,最后给出了相应的C语言描述和试验数据。     

随机排序的优化算法

随机排序经常出现在数字信号处理的分析和仿真中,尤其用于交织器的比较分析和优化设计中,它的算法优劣直接影响到计算仿真的效率.针对原有算法,本文提出了优化算法,大大改善它的时间和空间复杂度.定量的理论分析和实际的仿真测试都表明,优化算法能够有效提高计算效率和节省存储空间.     

基于异构多核原型芯片的NCS算法并行化

NCS算法(nonlinear chirp scaling,非线性调频变标)可以处理大耦合SAR(Synthetic Aperture Radar)回波,实现精确聚焦,但串行NCS算法的成像时间很难达到实时成像要求.为了提高算法效率,采用子孔径结构的NCS改进算法,在自主设计的NoC(Network on Chip)异构多核原型芯片上并行实现了实时NCS成像算法.与串行算法相比,并行化后可以大大缩短成像时间,通过与单次子孔径的理论计算值对比,得出实际并行效率达到90.06%.     

多核DSP下的SIFT算法优化

由于SIFT特征匹配算法可以准确地解决若干幅图像间出现平移、旋转以及仿射变换等情况下的匹配问题,同时可以实现对不同角度拍摄图像与光强变化下采集图像的比较可靠的匹配.基于TI的C6000系列多核DSP,本文主要研究SIFT算法配准图像并对其进行优化.先通过网口将保存在计算机中的图像数据传入DSP中,DSP会对所得的图像数据进行SIFT配准计算,最后将计算得出的匹配结果通过网口反馈至计算机.本文对代码进行编译器优化后,针对特征描述子匹配阶段特别采用了多核并行处理.测试结果表明,对于有丰富特征点的图像,采用多核并行技术进行描述子匹配计算,使得匹配阶段的耗时仅约为单核计算的1/4,提高了匹配效率.     

基于多核PC的人工蜂群并行算法的研究与实现

针对人工蜂群算法搜索时间长、收敛速度缓慢、搜索后期极易陷入局部最优等问题,提出了一种人工蜂群并行算法(PRP-ABC).首先引入随机摄动因子和全局最优解两个策略得到串行式RP-ABC算法;然后应用OpenMP并行技术,采用主从式调度方式对串行算法并行改写;最后在多核PC上将三种算法在复杂函数优化问题上测试比较.结果表明,该算法有效提高了收敛速度和优化性能,尤其适用于高维复杂函数的优化问题.     

一种多QoS需求的资源优化算法

用户的多QoS需求,使得网络服务中的动态资源属性值变化频繁,传统方法难于对这些动态资源进行分配.为解决这一问题,提出了一种处理多QoS需求的动态资源优化算法.算法引入混沌理论,结合优化算法与逼近理想解排序思想,将多个动态资源形成一个链表在这些资源的各个QoS需求间进行选择调度,并在迭代过程中使用并行算法来降低算法陷入局部最优解的可能性.实例验证了该算法求解该问题的可行性和有效性,具有较好的实际应用价值.     

基于数据结构的选择排序算法剖析与改进

排序在数据处理中起着非常重要的作用。选择排序算法是数据结构中的一种基本的排序算法,运用极其广泛。这里对基本选择排序的算法进行剖析,继而提出一种改进的思路,形成改进型的选择排序。其特点是在比较的过程中将被交换数据的下标进行保存,在选择下一个目标时只需在最后一次交换的位置与待排纪录之间进行,从而大大地减少了比较的次数。从时间复杂度、空间复杂度与稳定性进行比较,体现出其优越性能。     

人工蜂群聚类在雷达信号分选中的应用

针对传统的 K-Means 聚类雷达信号分选算法对初始聚类中心敏感和易陷入局部最优解的缺点,将改进的人工蜂群算法和 K-Means 迭代相结合,提出了一种混合聚类雷达信号分选算法,使算法对初始聚类中心的依赖性和陷入局部最优解的可能性降低,提高了算法的稳定性。通过仿真实验证明该算法分选准确率高,为雷达信号分选提供了新的思路。     

基因表达式编程和K-Means融合的雷达信号分选

为了解决聚类算法需要较多的先验知识,不能自动进行聚类的问题,提出了基因表达式编程和K-Means融合的雷达信号分选算法。从介绍基因表达式编程和K-Means聚类算法的特点出发,针对雷达信号的实际情况,对两种算法进行了优化融合,并通过模拟雷达辐射源数据进行了仿真验证,仿真结果表明该算法在不需要任何雷达辐射源先验知识的情况下即可自动完成聚类分选,具有98.3%的聚类分选精度和较快的收敛速度,其较高的分选精度在电子情报侦察系统上有着广阔的应用前景。     

基于负熵最大化盲抽取的雷达信号分选研究

研究了盲源分离算法在雷达信号分选中的应用,用基于负熵最大化的盲抽取算法对实际环境下的雷达信号进行分选,仿真结果表明,该方法能够有效地应用于多路雷达信号的分选,能抗突发脉冲干扰及完成降噪处理,并且易于实现,收敛速度快.     

基于MapReduce的并行蚁群算法研究与实现

蚁群算法在处理大规模TSP问题耗时较长,为解决这一不足,给出了一种基于MapReduce编程模式的并行蚁群算法。采用MapReduce的并行优化技术对蚁群算法中最耗时的循环迭代和循环赋值部分进行改进,同时运用PC集群环境的优势将具有一定规模的小蚁群分配到对应的PC机上,使其并行执行,减少运行时间。实验证明改进后的并行蚁群算法在大数据集上运行时间明显缩短,执行效率显著提高。     

基于人工鱼群聚类的雷达信号分选算法

随着科技的不断发展,各种新体制雷达的不断出现,使得电磁环境变得复杂多变,这就对雷达信号的处理提出了新的要求。目前普遍采用的基于直方图统计的信号分选方法已经不能满足当前雷达信号分选的要求。文中将人工鱼群聚类算法引入到雷达信号分选中,并对其进行了改进,对雷达信号分选进行了一种新的探索,该方法不需要雷达信号的先验知识,适用于处理未知雷达信号。通过仿真实验证明该算法分选准确率高,为雷达信号分选提供了新的思路。