高斯-赛德尔迭代法的并行化 由PDE离散产生的稀疏线性方程组 (1)Laplace方程

tbb CPU 并行计算库，aarch64 6.5.0交叉编译移植

1. 设计目的、意义（功能描述） 2. 方案分析（解决方案） 3. 设计分析 3.1 串行算法设计 3.2 并行算法设计 3.3 理论加速比分析 4. 功能模块实现与最终结果分析 4.1 基于OpenMP的并行算法实现 4.1.1 主要功能模块与实现方法 4.1.2 实验加速比分析 4.2 基于MPI的并行算法实现 4.2.1 主要功能模块与实现方法 4.2.2 实验加速比分析 4.3 基于Java的并行算法实现 4.3.1 主要功能模块与实现方法 4.3.2 实验加速比分析 4.4 基于Windows API的并行算法实现 4.4.1 主要功能模块与实现方法 4.4.2 实验加速比分析 4.5 基于.net的并行算法实现 4.5.1 主要功能模块与实现方法 4.5.2 实验加速比分析 4.6 基于Linux的并行算法实现（选作） 4.6.1 主要功能模块与实现方法 4.6.2 实验加速比分析

matlab开发-简单的通信应用程序。使用MATLAB的Java接口发送/接收UDP数据包。

高斯消除使用MPI

人工神经网络模型及其在优化问题中的应用，孙阳，孙文生，Hopfield人工神经网络为解决NP问题提供了一种有效的途径，本文探讨了Hopfield神经网络模型的稳定性和有效性问题，并以求解TSP为例，给出

朱莉娅排序 用于并行计算的并行 Julia 排序算法

3.1实验目的与要求 1、熟悉快速排序的串行算法 2、熟悉快速排序的并行算法 3、实现快速排序的并行算法 3.2 实验环境及软件 单台或联网的多台PC机，Linux操作系统，MPI系统。 3.3实验内容 1、快速排序的基本思想 2、单处理机上快速排序算法 3、快速排序算法的性能 4、快速排序算法并行化 5、描述了使用2m个处理器完成对n个输入数据排序的并行算法。 6、在最优的情况下并行算法形成一个高度为logn的排序树 7、完成快速排序的并行实现的流程图 8、完成快速排序的并行算法的实现

底层虚拟机（LLVM）是一个广泛使用的编译框架，其中间表示（IR）中包含有丰富的程序分析信息，众多以LLVM为平台的相关工作均以IR为基础开展。数据依赖关系在错误检测、定位及程序调试等领域有着重要应用，基于IR的数据依赖关系计算多采用串行迭代方式，但在应对较大规模IR文件时可扩展性不够理想。对此进行了数据依赖关系计算中指令读写的可并行性挖掘，结合图形处理器并行计算优势，提出一种基于LLVM IR的数据依赖关系并行计算方法DRPC。以IR为输入，采用CPU-GPU双端协同方式实现程序数据依赖关系的高效计算。实验结果表明，针对基准程序集SPEC，DRPC分别在直接及传递数据依赖关系计算上最高获得了3.48x和4.91x的加速比。

matlab开发-并行计算测试序微分方程lab2012b。介绍了如何使用并行计算工具箱来加快多核计算机的计算速度。