多目标优化ZDT系列和DTLZ系列Pareto真实前言数据，包含ZDT1,ZDT2,ZDT3,ZDT4,ZDT5,ZDT6,DTLZ1~7

Dell PowerEdge 6800服务器支持两颗双核/四核至强处理器，12个FBD DIMM插槽，最高支持48GB内存，支持8块3.5英寸SAS或SATA热插拔硬盘，最大内部存储容量为6.0TB (8 x SATA)，6个扩展插槽——1个x8 PCI Express、3个x4 PCI Express和2个64位/133MHz PCI-X，930瓦热插拔冗余电源。Dell PowerEdge 2900易于扩展，可选塔式或5U机架式机箱选件，在内存、磁盘、I/O方面都具有不错的可扩展性。

介绍 这是Python封装，其中使用了2005年IEEE进化计算大会大型全局优化特别会议的测试套件的C ++实现。 笔记 如果要使用此代码的任何部分，请引用以下出版物： Suganthan，N。Hansen，JJ Liang，K。Deb，Y.-P. Chen，A。Auger和S. Tiwari，“ CEC 2005实参优化特别会议的问题定义和评估标准”，技术报告，新加坡南洋理工大学，2005年5月，以及KanGAL报告＃2005005，印度IIT坎普尔。 要求 GNU Make GNU G ++ Python 赛顿 测试环境 Debian GNU / Linux杰西/ sid GNU Make 3.81 g ++（Debian 4.7.3-4）4.7.3 Python 2.7和Python 3.2 numpy的1.8.1 cython 0.20.1 Travis-CI

追踪微流体中的液滴是一项具有挑战性的任务。选择一种工具来分析一般的微流体视频以推断物理量会遇到困难。这个 最先进的物体探测器算法You Only Look Once（YOLO）和 对象跟踪算法简单在线和具有深度关联度量的实时跟踪（DeepSORT）可定制用于液滴识别和跟踪。 定制包括培训YOLO和DeepSORT网络，以识别和 跟踪感兴趣的对象。我们训练了几个YOLOv5和YOLOv7模型 用于微流体实验视频中液滴识别和跟踪的DeepSORT网络。我们比较了液滴跟踪应用程序的性能 YOLOv5和YOLOv7在训练时间和分析给定问题的时间方面 跨各种硬件配置的视频。尽管最新的YOLOv7是10% 速度更快，只有RTX 3070上较轻的YOLO型号才能实现实时跟踪 Ti GPU机器，由于 DeepSORT算法。这项工作是YOLOv5和 在训练时间和推理时间方面，带有DeepSORT的YOLOv7网络 用于微流体液滴的定制数据集。

l-曲线矩阵代码随机基准 该存储库收集了一些python程序，这些程序在量子控制问题中实现了基于Clifford的随机基准测试技术，从而确定了给定量子门的错误性能。 版本 v1 。 （历史版本）重写了克利福德集团的随机unit门的生成规则。 没有应用其他更改，这意味着它们与原始MATLAB程序相同。 第2版。 在将m个Clifford组门应用于初始状态后，该程序现在能够计算保真度。 目前，我们只考虑了一次迭代。 在下一个版本中，将重复相同的过程以计算平均保真度。 同时，我们将修改m并在此基础上进行曲线拟合。 v2.1 。 函数get_para简化。 v3 。 对于固定值m重复K次，求和单个保真度值的总和，并计算平均保真度。 当前在笔记本中：m = 10，K =50。总运行时间：532.96s〜8.88min v4 。 1.重写产生克利福德门的部分。 2.修复了错误：修复了函数get_para不能正常工作的问题。 那是因为当gamma ， theta和phi都等于零时，时间计算部分将遇到“被零除”的错误。 3.在m上添加迭代。 v4.1 。 小错误已在函数get_para中修复。 v4.

勒克斯马克 LuxMark是基于LuxCoreRender（ ）的OpenCL基准，并使用LuxCore API编写。 您可以在找到有关LuxMark的更多信息。 Windows用户注意事项：必须安装的和。 LuxCore API LuxCore是新的LuxCoreRender v2.x C ++和Python API。 它是根据Apache Public License v2.0发布的，可以在开放源代码和商业应用程序中免费使用。 您可以在找到有关该API的更多信息。 LuxCoreRender LuxCoreRender是一个基于物理且无偏见的渲染引擎。 基于最先进的算法，LuxCoreRender根据物理方程式模拟光的流动，从而生成逼真的照片质量的图像。 捐 可在BountySource（ ）上获得LuxCoreRender项目。 它是开源软件的资金平台。 用户可以通过创建/

旨在阐述近期Oracle 和 Intel 公司通过 MySQL 集群执行的基准测试。这些基准测试用于衡量在配 备最新Intel® Xeon® E5 系列处理器的一组普通服务器集群上扩展的数据库的读写操作性能。

parsec-riscv性能测试 用于在模拟的RISC-V环境中自动设置和运行PARSEC基准测试的脚本。 主要目的是记录所需的步骤，以重现与我合作的QEMU / RISC-V相关论文所使用的设置。 执行 运行./setup_system.sh 它将准备一个projects目录，将提供所有必需的源/数据 它将准备一个components目录，其中包含所有已编译/已处理的对象 运行run_parsec_benchmarks.sh 它将在VM中运行PARSEC基准测试，并将结果output到output

Spark-Terasort TeraSort是一种流行的基准测试，用于衡量在给定群集上对1 TB随机分布的数据（或所需的任何其他数据量）进行排序的时间。 它最初是用来测量Apache:trade_mark:Hadoop:registered:集群的MapReduce性能的。 在此项目中，代码将在Scala中重写，以测量Spark集群的性能。 它是对Hadoop集群的存储层（HDFS）和计算层（YARN / Spark）进行组合测试的基准。 完整的TeraSort基准测试运行包含以下三个步骤： 通过TeraGen生成输入数据。 在输入数据上运行实际的TeraSort。 通过TeraValidate验证排序的输出数据。 您无需在每次TeraSort运行之前重新生成输入数据（步骤2）。 因此，如果对生成的数据感到满意，则可以跳过第1步（TeraGen），以便以后的TeraSort运行。 包装方式 $ sbt assembly

模拟双重退火全局优化算法实现和广泛的基准测试。 在多核机器上运行基准测试 在集群上运行基准测试（Moab/TORQUE 示例） 更多详情、使用方法，请下载后阅读README.md文件