努斯·莫里斯·普拉特算法 使用KMP函数和计算并行化的文本模式查找算法 计算的并行化基于源文本中的行数（OpenMP库用于此目的） 对于每个线程数（1、2、3、4、5、6、8、10、12、16），将测量算法的运行时间并将其显示在屏幕上，您可以在屏幕截图中看到它们。 不幸的是，我的笔记本电脑只有4核:( 有关如何使用该应用程序的信息，请参见屏幕截图 结束！ :)

异构嵌入式系统的自动并行化与分布式、并行和集群计算 异构嵌入式系统的自动并行化是指在异构嵌入式系统中实现自动并行化的技术，旨在提高系统的计算性能和效率。该技术通过在异构嵌入式系统中部署多核CPU、GPU、FPGA和Intel Xeon Phi等加速器，实现分布式、并行和集群计算。 在异构嵌入式系统中，GPU可以实现显着的性能提升，但是使用低级API（例如，CUDA、OpenCL）需要重写顺序代码，对GPU架构有很好的掌握另一方面，基于指令的编程模型（例如OpenACC、OpenMP）提供了底层硬件的高级抽象，从而简化了代码维护并提高了生产力。 OpenACC/OpenMP编译器的主要任务是从用户提供的指令中应用必要的优化，并生成利用GPU架构的高效代码。但是，生成的代码可能无法实现预期的加速，因为编译器没有整个应用程序的完整视图因此，使用OpenACC/OpenMP加速的代码与使用CUDA/OpenCL手动优化的代码之间通常存在显著的性能差异。 为了帮助程序员在GPU上使用基于指令的模型有效地加速他们的传统顺序代码，我们研究了OpenACC和OpenMP编程模型，并提出了一种有效的基于指令的应用程序并行化方法。我们的应用程序移植经验表明，仅仅插入OpenMP/OpenACC卸载指令来通知编译器必须编译特定代码区域以供GPU执行是不够的。将卸载指令与循环并行化结构相结合是非常必要的。 在选择好的循环时间表方面，我们揭示了挑战。编译器选择的默认循环时间表可能不会产生最佳性能，因此用户必须手动尝试不同的循环时间表以提高性能。 此外，我们还讨论了GPU代码中的指针别名问题，并提出了两个静态分析工具，自动执行源代码级别的类型限定符插入和标量提升，以解决别名问题。 异构嵌入式系统的自动并行化是指在异构嵌入式系统中实现自动并行化的技术，旨在提高系统的计算性能和效率。该技术通过在异构嵌入式系统中部署多核CPU、GPU、FPGA和Intel Xeon Phi等加速器，实现分布式、并行和集群计算，并使用基于指令的编程模型简化代码维护和提高生产力。

利用k_means聚类算法的MapReduce并行化实现，为学习hadoop的同学提供参考

针对NAND Flash应用，完成了并行化BCH编译码器硬件设计。采用寄存器传输级硬件描述语言，利用LFSR电路、计算伴随式、求解关键方程、Chien搜索算法等技术方法完成了BCH编译码算法在FPGA上的硬件实现。相比于传统串行实现方案，采用并行化实现提高了编译码器的速度。搭建了基于SoPC技术的嵌入式验证平台，在Nios处理器的控制下能快速高效地完成对BCH编译码算法的验证，具有测试环境可配置、测试向量覆盖率高、测试流程智能化的特点。

ModelingToolkit.jl：Julia中用于自动并行化科学机器学习（SciML）的建模框架。 用于集成符号的计算机代数系统，用于物理知识的机器学习和微分方程的自动转换

基于中央处理器(CPU)串行的人群疏散传统方法对于人群规模较少的场景,可以得到良好的疏散模拟效果,但在人群密度较高的场景中,难以达到实时模拟的要求.为了克服上述问题,实现了一种基于图形处理器(GPU)的人群疏散模拟的方法.该方法通过对个体寻径算法的优化,不仅能使个体快速准确地智能寻径,而且将个体寻径独立性与图形处理器高性能计算特性进行结合,充分利用了图形处理器强大的并行计算能力,从而大幅度提高了人群疏散模拟的人群规模,使人群疏散模拟的实时性得到增强.

各种排序的串行算法和并行化算法

通过研究各种决策树分类算法的并行方案后，并行设计C4.5算法。同时根据Hadoop云平台的MapReduce编程模型，详细描述C4.5并行算法在MapReduce编程模型下的实现及其执行流程。最后，对输入的海量文本数据进行分类，验证了算法的高效性和扩展性。

高PPPPPP性能计算项目 openMP，MPI和CUDA中生命游戏的并行化

BLAST（基本局部比对搜索工具）是一种局部比对算法，具有很高的准确度，被广泛使用。 它可以在保持高精度的同时减少程序的运行时间，但是在比较大型基因数据集时却存在性能瓶颈和低效率。 因此，提出了一种基于Spark的分布式并行方法Spark_BLAST。 该方法利用Spark内存计算来识别和划分任务，并实现了BLAST算法的分布式并行计算。 最后，该方法在5个节点的Spark集群上实现。 与单机比较表明，Spark .cluster的加速可以达到约4，而不会改变比较结果的准确性。 该方法为生物信息学提供了一种有效的比对方法。