Sobel边缘检测-MPI-OpenMP

多核平台下，线程在核间的动态迁移在一定程度上会导致应用程序性能的下降，如果将线 程绑定在固定的核上运行，使其不再迁移，这种方法将有可能提升应用程序性能，更充分的利 用多核平台的计算能力。本文将介绍如何使用主流的编译器绑定接口以及Linux内核API的方式 实现OpenMP线程与核之间的绑定，使用STREAM这一benchmark来测试比较绑定前后的应用程 序的性能。

在OpenMP中使用task子句，把循环处理并行化，提高执行性能

高性能计算实验合集，包括： 1. 高性能计算_ 两个整数的最大值 2. 高性能计算_WordCount 3. 高性能计算_分布式数据的并行排序 4. 高性能计算_矩阵相乘 5. 高性能计算_矩阵相乘MPI 6. 高性能计算_枚举排序 7. 高性能计算_数组排序 8. 高性能计算_一维卷积

基于OpenMP_MPI并行编程模型的N体问题的优化实现，可以给刚接触openmp+mpi混合编程的人一些参考

MPI OpenMP混合编程解决N-Body问题 华南理工 高性能云计算

OpenMP 并行算法设计

k-means聚类算法及matlab代码目录 介绍 K-均值聚类是一种简单且可扩展的聚类方法，它以一种客观的方式将观察结果划分为k个聚类。 它具有非常广泛的应用，例如图像分割，零售产品分类（Kusrini，2015），温室气体排放等环境问题（Kijewska和Bluszcz，2015）。 K均值聚类可以与其他高级方法结合使用。 例如，它与支持向量机（SVM）一起使用来执行自动文本分类（Perrone和Connell，2000年）。 它也可以用作预处理方法，例如在隐马尔可夫模型（HMM）中初始化（Hu和Zanibbi，2011年）。 它的广泛应用和简单的计算复杂度使k-means聚类成为当今流行的方法之一。 当维数d> 1且簇数k> 1时，找到k均值成本函数的最小值是一个NP难题。 科学家想出了几种启发式方法来找到局部最小值，但是该过程仍然需要大量计算，尤其是对于具有高维特征的大型数据集而言。 因此，我们希望在机器集群上实现k-means启发式方法的并行版本，以在不牺牲算法准确性的情况下显着加快算法的运行速度。 k均值聚类的典型方法是期望最大化（EM）。 E步将点分配到最近的聚类中心，而

警告： 仍在继续该项目 我们很高兴地宣布，NPB内核和伪应用程序都可以在我们的新存储库。 这是我们关于NAS并行基准（NPB）套件的第一项工作，许多其他工作正在以许多不同的方式继续进行该项目。 注意：此存储库将不再更新，因此，请在关注我们 如何引用这项工作 D. Griebler，J。Loff，G。Mencagli，M。Danelutto和LG Fernandes。 C + +并行编程的高效NAS基准内核。 在第26届Euromicro国际并行，分布式和基于网络处理（PDP）会议的会议记录中。 英国剑桥，2018。 NPB-CPP基准 这些代码从原始转换为C ++ 。 与Fortran版本相比，我们在C ++中获得了类似的性能。 ================================================================== NAS Paral

并行计算求素数个数包括java、OpenMP、MPI、.NET、MFC、Windows Api等方法 并行计算求素数个数包括java、OpenMP、MPI、.NET、MFC、Windows Api等方法