基于Pipeline的一类动态规划并行算法

动态规划是解决组合优化问题的有效方法之一，本文基于Ｐｉｐｅｌｉｎｅ结构，提出并分析了三个相似的动态规划并行算法（求简单最短路径，求最长公共子串和解背包问题），获得了较理想的加速比、并行效率等指标，进而提出并讨论了这一类问题之动态规划并行处理的一般化思想及方法。     

多目标动态规划时段轮换并行算法

针对SIMD和MIMD结构的并行机提出多目标动态规划时段轮换并行算法,多目标动态规划的时段轮换迭代算法,将全过程优化问题转化成子过程优化问题,然后在子过程非劣解集中寻找全过程非劣解.这样,将多目标动态规划内存不足的问题转化成时间问题,然后利用并行机超高速运算的优势来有效地解决内存不足问题.通过时间复杂性、加速比分析及实例.说明了算法的有效性及优越性.     

一种生成动态随机数的并行算法

针对软件难以生成高质量随机数的问题,提出一种基于并行结构的随机数生成算法。该算法采用关联系统和数据缓冲机制,利用读过程和写过程的时间差值实现对缓冲区域数据的动态化,提高了随机数质量。测试该算法生成的随机序列,结果表明在NIST800—22标准下,其通过率大于99．7％。     

动态云平台下的快速闭树聚类并行算法

为提高聚类算法效率,提出一种基于动态云平台的快速闭树聚类并行算法。针对云计算平台Hadoop中任务的随机分配策略,给出一个满足最小化消耗成本的任务分配算法 CDA-GA,并基于该算法提出动态云平台模型。将传统的频繁闭树挖掘算法与聚类算法并行化,应用于动态云平台中,设计基于动态云平台的闭树聚类算法框架。实验结果表明,该算法有效可行,适合在大规模数据下进行聚类分析。     

一种新的动态自适应克隆选择并行算法

提出一种新的动态自适应克隆选择并行算法。在每次迭代过程中,动态计算每个抗体的变异概率,根据抗体的亲和度将抗体种群动态分为记忆单元和一般抗体单元,以球面杂交方式对种群进行调整,加快算法的全局搜索速度。同时针对算法计算量大的缺点,设计对应的并行计算方法。实例结果表明,该算法耗时较少,收敛精度较高。     

一种基于GPU的逆时偏移并行算法

逆时偏移可以对来自大角度甚至超过90°反射界面的反射波精确成像,是解决地下复杂构造成像的有力工具,但是由于传统PC集群和基于该架构的逆时偏移应用软件无法满足其对计算能力的需求,因而阻碍了该方法的应用和推广。提出一种基于GPU的逆时偏移并行加速算法,从而极大提高逆时偏移的并行度和运算效率,使逆时偏移的运行效率相对于PC集群达到数十倍的提高。将逆时偏移和单程波动方程成像结果进行比较,结果表明:基于GPU的逆时偏移的并行算法不仅能满足巨大的运算量需求,同时其成像效果更精确。     

一种基于衍生类的动态类修改方法

在面向对象语言的动态程序设计环境中,动态修改一个类时,会导致该类已经存在的那些活动对象难以处理的情况.本文提出了一种基于衍生类来实现类的动态修改的方法,并与其它方法进行了比较.     

基于动态规划的云计算虚拟机簇聚类方法

多虚拟机聚簇的快速高效实现,对于云数据处理能力的提升具有重要意义。基于 虚拟机聚簇的一般原理,引入动态规划全局优化策略,构建一种新的虚拟机聚簇方法。首先根 据预设的虚拟机属性判别函数,对虚拟机资源执行升序排列;进而选取升序集合中心位置的虚 拟机作为聚簇起点,根据动态规划策略从两个方向开始进行聚簇;聚簇的原则本着全局聚簇最 优的动态规划准则。实验结果表明,基于动态规划的虚拟机聚簇方法,聚簇速度快,聚簇效果 稳定。     

大规模结构化二次规划并行算法

在内点算法(IPM)框架基础上,分析具有分块带边结构系数矩阵与箭形结构二次项的二次规划(QP)问题,导出其既约与最简既约修正方程.对既约修正方程系数矩阵进行置换,使其具有箭形分块结构,并结合该结构与解耦技术给出修正方程的并行求解算法,设计QP问题的并行IPM结构.在集群环境下的数值实验结果表明,该算法具有较好的加速比和...     

一种基于PVM的矩阵相乘并行算法

研究了一种运行于PVM并行计算平台的矩阵相乘的并行算法。在工作站数量不为某个数的平方数时,Cannon算法在PVM环境下不能充分地利用机群系统中的资源。根据PVM并行编程环境中任务间通信的特点,文中设计了一种基于PVM的矩阵相乘并行算法,该算法根据工作站数量来确定子任务的数量,并对矩阵A进行分块,每个子任务可以计算一个分块。实验表明,该算法提高了机群并行环境中资源的利用率,提高了程序的运行效率。     

一种基于Apriori的微博推荐并行算法

微博作为最大的社会化媒体产品,拥有海量的用户和信息资源。微博推荐是微博个性化服务的重要方面,是解决信息过载问题的有效工具。考虑到微博数据海量性的特点,针对传统串行推荐算法对大数据处理效率低的问题,采用MapReduce模型,提出和设计一种基于关联规则挖掘算法Apriori的微博推荐并行算法,并在Hadoop平台实现。实验表明,提出的微博推荐并行算法具有较好的加速比和较高的运行效率,证明了该微博推荐并行算法在大数据处理中的高效性。     

基于CREW遍历图的一种并行算法

针对串行算法模型下基于顶点遍历图的情况,提出了一种在CREWPRAM并行模型下遍历无向图的算法。该算法是找出无向图的一棵最短路径生成树,由向上和向下两条有向边替换最短路径生成树的每条边形成欧拉回路,运用欧拉回路技术计算前缀和,前缀和所对应的顶点即为遍历无向图的顺序。得出了该算法时间复杂度为O（n＋logn）的结论。     

一种基于动态规划的视频分割方法

提出一种基于动态规划的自动视频分割方法 ,该方法由运动区域识别、运动边界提取以及轮廓连接三步组成 ;同时提出一种基于动态规划的轮廓连接新算法 ,该算法能在运动区域中跟踪物体的运动边界 ,并同时检测出场景中位于非运动区域的静态物体边界 .文中的方法在 5 0 0 MHz的 Pentium III PC机上实现 ,当系统运行在由 USB摄像头采集的、图像帧大小为 3 2 0× 2 40象素的视频流上时 ,进行帧捕捉、视频分割和显示结果达到了 15 Hz的处理速度 ,符合实时性的要求     

一种基于动态规划的软件可靠性分配方法

软件可靠性是衡量软件质量的一个重要指标.要达到软件的高可靠性需要一定费用,所以软件开发费用对可靠性的影响至关重要.然而一个软件系统的开发费用是有限的,如何合理确定系统的可靠性以使软件开发费用最小成为一个很有意义的研究问题.根据费用与可靠性关系建立了可靠性-费用模型,进而得到软件系统可靠性分配模型.结合动态规划思想,研究基于这个模型的针对各软件组件的可靠性最优分配方法,使得系统达到给定的可靠性目标而耗费最少的资源.     

一种基于PSO的动态聚类算法

传统的划分聚类算法必须指定簇的数量且聚类结果受初始条件的影响较大.针对此缺点,提出了一种基于PSO和K-means的混合动态聚类算法--DKPSO,运行过程中能够自动确定聚类簇的最佳数量.此算法在初始时将聚类数据划分为较多数量的簇以减少初始条件的影响,然后使用离散PSO算法不断优化簇的数量并使用K-means算法进一步优化每个粒子代表的聚类中心.为了提高收敛速度,对算法进行了的改进,使每个粒子的惯性权重随迭代次数非线性自适应地调整.最后通过实验对算法的有效性进行了验证,并给出实验结果.     

一种基于划分的动态聚类算法

聚类分析是数据挖掘的一个重要研究分支,已经提出了许多聚类算法,划分方法是其中之一。划分方法的缺点是要求事先给定聚类结果数,对初始划分和输入顺序敏感等。为克服这些缺陷,以划分方法为基础,提出了一种基于划分的动态聚类算法。该算法按密度从大到小,依距离选择较为分散的初始值,同时可以过滤噪声数据,并在聚类的过程中动态地改变聚类结果数,改善了聚类质量,获得了更自然的结果。     

基于滑动门中心点计算的K均值聚类并行算法研究

随着GPU硬件设备的普及和GPGPU技术的快速发展,越来越多的研究人员投入到GPGPU的研究当中。当前,GPU具有很强大的并行计算能力、浮点运算能力、计算单元集成能力等特点,显示出了GPU在并行计算领域的巨大潜力。CUDA是由NVIDIA公司提出的一种利用GPU进行并行计算的架构,CUDA使得GPU具有友好的可编程性,为研究人员能够在GPU上实现各种领域的科学计算提供了方便的途径。K均值聚类算法由于其概念简单,易于实现等优点成为并行计算研究的一个热门方向。对于K均值并行算法的研究,有基于8核CPU并配备FPGA加速板的方法,但对于一个需要启动数千个线程的复杂模型,基于传统CPU并行计算方法难以实现;也有使用CUDA并行计算平台对K均值聚类算法进行处理,但处理算法时通常忽略对CUDA平台上K均值聚类算法自身的优化。基于以上缺陷,介绍K均值聚类算法的同时对算法在CUDA平台上进行了相应优化,特别针对更新中心点的耗时问题,提出了一种基于滑动门中心点计算的K均值聚类并行计算。实验结果表明,当聚类数较多时,相对于传统的更新中心点算法,基于滑动门中心点并行算法的效率更高。