小猪 用法： 创建一个文件simulation.py并覆盖Chromosome类。 遗传算法 染色体 染色体存储其适应度和基因型。 基因型可以是一个整数列表、一个字符串——任何数据结构。 适应度是适应度函数的值。 这里我们使用simulate ()来计算适应度。 染色体还提供两种方法： mate和mutate 。 mate ： mate将另一个染色体作为参数并返回一个子染色体。 这就是基因操作重组。 这是一些示例代码： def mate ( C ): """ Each gene has a 50% chance of being passed on. """ child = list () for i in range ( num_param ): if random . random () < 0.5 :

基于软件流水技术的深度卷积神经网络并行化研究.docx

频繁模式挖掘是一种非常有效地从数据中获取知识的方法，但是随着大数据时代的来临，现有算法及其计算环境的运算速度、内外存容量面临严峻挑战。针对以上问题，紧密结合MapReduce模型提供的高效分布式编程和运行框架，在深入分析H-mine频繁模式挖掘算法的基础上，通过对H-mine算法频繁模式挖掘过程的并行化改进，提出了一种新颖的基于MapReduce模型的H-mine算法（简称MRH-mine）。MRH-mine算法实现了对H-mine算法在分布式运行环境下的改造，实验表明该算法在面对数据大规模增长的情况下具有良好的性能和扩展性。

云计算平台下遥感图像分类算法的并行化技术研究.pdf

摘  要： 使用Intel Parallel Amplifier高性能工具，针对模糊C均值聚类算法在多核平台的性能问题，找出串行程序的热点和并发性，提出并行化设计方案。基于Intel并行库TBB（线程构建模块）和OpenMP运行时库函数，对多核平台下的串行程序进行循环并行化和任务分配的并行化设计。 　　并行性主要是指同时性或并发性，并行处理是指对一种相对于串行处理的处理方式，它着重开发计算过程中存在的并发事件。并行性通常划分为作业级、任务级、例行程序或子程序级、循环和迭代级以及语句和指令级。作业级的层次高，并行处理粒度粗。粗粒度开并行性开发主要采用MIMD方式，而细粒度并行性开发则主要采用SI

一种基于GPU的枚举排序算法及其并行化.pdf

Magic软件可以通过馈入参数仿真计算输出功率。为了确定最优的参数，实际工作中通过采用Magic迭代计算软件中的遗传算法迭代计算确定参数，但每代计算需要同时启动多个Magic程序，耗时长、单机计算效率低。本文提出了基于Windows环境，使用现有的工作站，利用Microsoft HPC工具包搭建一个并行计算集群，实现将每代启动的Magic程序放到多台计算机上进行并行计算的解决方案。首先利用HPC Pack进行集群的搭建，然后设置共享文件夹进行数据的存储与访问，最后使用Microsoft HPC Pack SDK中的API改写Magic迭代计算软件，实现将每代启动的Magic程序放到多台计算机上进行并行计算。通过测试表明加速比大约为2，能够有效提高计算速度。

LBM_MATLAB：具有多尺度建模扩展的MPI风格的Shan和Chen LBM并行化

计算机组成与设计中文版+英文版 pdf+epub格式 英文非扫描，中文扫描版。 这本最畅销的计算机组成书籍经过全面更新，关注现今发生在计算机体系结构领域的革命性变革：从单处理器发展到多核微处理器，从串行发展到并行。与前几版一样，本书采用了MIPS处理器来展示计算机硬件技术、汇编语言、计算机算术、流水线、存储器层次结构以及I/O等基本功能。此外，本书还包括一些关于ARM和x86体系结构的介绍。 本书特色：  涵盖从串行计算到并行计算的革命性变革，新增了关于并行化的一章，并且每章中还有一些强调并行硬件和软件主题的小节。  新增一个由NVIDIA的首席科学家和架构主管撰写的附录，介绍了现代GPU的出现和重要性，首次详细描述了这个针对可视计算进行了优化的高度并行化、多线程、多 计算机组成

二分K均值聚类算法优化及并行化研究.pdf