MandelBrot_Parallel 使用MPI的Mandelbrot图像生成器 mandelbrot_ms.cc包含主从mandelbrot模型方法

go语言并行模拟万有引力天体运行 使用golang+js实现的万有引力模拟程序。(N体计算方式) 服务端使用go利用多核并行计算，支持memcache/redis/file存储计算数据，前后端使用websocket通信，前端使用ThreeJS框架，利用WebGL显示3D效果。 可模拟恒星系统，球状星团，星系，星流等 可设置中心超大质量天体(黑洞) 可合并多个集合，比如合并椭球星系和螺旋星系 可批量操作参数，比如放大分布范围，加快速度，增加质量，用来把球状星团放大到星系尺度等模拟 可保存和加载模拟的N体对象 效果图： 思路： 有两个程序,calc_server和websocket_server calc_server -> 计算数据保存到file/mc/redis 浏览器查看 -> websocket_server ->读取file/mc/redis的数据 查看需要浏览器支持WebGL,比如

MPLBM-UT：用于渗透性介质分析的多相LBM工具箱 MPLBM-UT支持计算3D图像或tiff切片的毛细压力和相对渗透率曲线，单相渗透率，3D弯曲度，接触角和渗透路径。 该存储库由德克萨斯大学奥斯汀分校的Javier E. Santos，Abhishek Bihani和Alex Gigliotti与Christopher Landry，Hugh Daigle，Masa Prodanovic，Wenhui Song和Michael Pyrcz合作创建。 我们非常感谢贾浩威所做的改进。 使用Palabos v2.2.1执行直接流体流动模拟。 我们将Shan-Chen模型用于多相仿真，将BGK和MRT用于单相仿真。 插图 非润湿性流体（紫色）通过球状包装。 非稳态流动模拟显示不同颜色的毛细管压力增量。 非润湿液的渗透路径（未显示岩石和润湿液）。 单相流模拟的速度幅度。

Pro TBB C++ Parallel Programming with Threading Building Blocks

异构网络中的联合优化 该存储库包含本文的代码和实验： 联合学习是一种分布式学习范例，它具有两个与传统的分布式优化不同的关键挑战：（1）网络中每个设备的系统特性方面的显着可变性（系统异质性），以及（2）不完全相同的分布式数据跨网络（统计异质性）。 在这项工作中，我们引入一个框架FedProx，从理论上和经验上解决联邦网络中的异构性。 该存储库包含一组针对联合数据集的详细的经验评估。 我们证明FedProx比FedAvg具有更强大的收敛性。 特别是，在高度异构的环境中，FedProx展示了相对于FedAvg而言更加稳定和准确的收敛行为-将绝对测试准确度平均提高了22％。 一般准则 请注意，如果您想使用FedProx作为基准并运行我们的代码： 如果使用不同的数据集，则至少需要根据您的指标调整学习率和mu参数。 您可能希望从{0.001，0.01，0.1，0.5，1}调整mu。 没有适用于所有

集中分布式计算非常有价值的书籍，一个完整的PDF文件，如果大家想按照章节下载，可以下载免费的PDF文件，https://dspace.mit.edu/handle/1721.1/3719#files-area，希望没有积分的朋友也可以一起学习。当然有积分的朋友们可以选择资助一下我，1积分，不多

THE CONTEXT OF PARALLEL PROCESSING The field of digital computer architecture has grown explosively in the past two decades. Through a steady stream of experimental research, tool-building efforts, and theoretical studies, the design of an instruction-set architecture, once considered an art, has been transformed into one of the most quantitative branches of computer technology. At the same time, better understanding of various forms of concurrency, from standard pipelining to massive parallelism, and invention of architectural structures to support a reasonably efficient and user-friendly programming model for such systems, has allowed hardware performance to continue its exponential growth. This trend is expected to continue in the near future. This explosive growth, linked with the expectation that performance will continue its exponential rise with each new generation of hardware and that (in stark contrast to software) computer hardware will function correctly as soon as it comes off the assembly line, has its down side. It has led to unprecedented hardware complexity and almost intolerable dev- opment costs. The challenge facing current and future computer designers is to institute simplicity where we now have complexity; to use fundamental theories being developed in this area to gain performance and ease-of-use benefits from simpler circuits; to understand the interplay between technological capabilities and limitations, on the one hand, and design decisions based on user and application requirements on the other.

两台VSG并联运行，第一台先带载，0.2s时第二台预同步追踪第一台的电压幅值和相位，0.4s时完成预同步并切除预同步模块后并入第一台，核心点是线路阻抗呈阻感性，需要对有功功率和无功功率进行解耦控制，内附解耦参考文献，两台VSG的功率均分较准确。

英文版并行算法课的经典教材 PDF版本。

AllocateTasksFairly 将多个任务分配到多个并行进程时，为了最大化工作效率，通常希望每个进程被赋予相当的任务量，避免某些进程过早完成任务然后空等待。同时，将单个任务拆分往往会造成一定的性能损失，在负载均衡的前提下应当尽量将单个任务交给单个进程执行。 本拆分函数接受多个任务各自的尺寸，和并行进程数目作为参数，给出合理化的任务分配方案。 对于单个较大的任务，将其拆分给多个进程执行；对于多个较小的任务，将它们合并给一个进程执行。同时为了尽量减少任务拆分，若一个大任务被决定拆分，则分到该任务的所有进程将专心执行该任务，不会被分配到其它任务；反过来，若一个进程被分配到了多个任务，则这些任务将完全由该进程独立执行，而不会再拆分给其它进程。 TaskSplitParallelRun 本函数能够对批处理任务进行多线程调度，追求负载均衡。可以将单个大任务拆分到多个进程执行，多个小任务合并到