在单芯片多核系统中，NoC已成为主流片上通信架构。有效的任务调度是挖掘计算并行性的重要方法。在经典静态列表调度基础上，针对HEFT算法中节点排序会得出较多的优先级相同节点的问题，提出一种节点二次排序的调度方法。在边的调度上应用了ALAP原则，改进算法有效提高了调度效果。实验表明，新方法对bl、blcomp、blio等节点优先权算法得出的任务列表均有良好的调度效果，适应性较好；对于2D Mesh同构NoC架构，改进算法对三种节点优先权算法有1.15倍的平均加速比，最大可有1.27倍加速比。

有向无环图的并行DFS 根据， 是DFS遍历的并行算法的C ++实现。 该算法下的思想克服了基于DFS的标准标记方法的并行实现问题。 这是因为DFS在边缘访问和某些全局变量的使用方面要求严格的顺序，这在需要并行处理时代表了很大的局限性。 该算法为有向无环图（DAG）的DFS遍历提供了不超过3次BFS访问的有效解决方案，从而可以找到DAG节点之间的前序，后序和父级关系。 BFS的首次访问旨在将DAG转换为DT（图B）； 下次访问是在DT上完成的，它的作用是为每个节点找到子树的大小，子树的大小定义为可从其到达的节点数加上自身（图C）； 进行第三次访问时，可以获取根据DFS访问顺序先前应访问的节点，查看当前节点的先前同级和父级先前同级的子树大小（图D）。 从先前计算出的值开始，我们获得后顺序和前顺序（在此实现中未计算后顺序，但是只需对代码进行很小的更改即可轻松完成）（图E）。 请注意

为解决分块并行Cholesky分解过程中各处理器间的负载平衡问题,分析了算法的下三角矩阵特性以及各轮循环和循环内部各步骤基本计算任务之间存在的依赖关系,以各步骤的矩阵块基本计算任务为顶点,任务间的依赖关系为有向边,构造有向无环图,并根据有向无环图的性质建立二级队列,然后利用该队列对就绪任务进行排队,实现任务的动态调度.研究结果表明:在矩阵块数不是非常大的情况下,该算法在时间性能上比传统的分块并行Cholesky分解算法具有明显的优势.

g 有向无环图（DAG）的实现。 该实现是快速且线程安全的。 它可以防止添加循环或重复，从而始终保持有效的DAG。 该实现缓存后代和祖先，以加快后续调用的速度。 快速开始 跑步： package main import ( "fmt" "github.com/heimdalr/dag" ) func main () { // initialize a new graph d := NewDAG () // init three vertices v1 , _ := d . AddVertex ( 1 ) v2 , _ := d . AddVertex ( 2 ) v3 , _ := d . AddVertex ( struct { a string ; b string }{ a : "foo" , b : "bar" }) // add the above ve

采用的方法是图的经典数据结构，若是有向无环图DAG则输出一个拓扑排序。若不是DAG则输出其中的一个环。

遗传算法源代码matlab程序 EvoDAG 进化有向无环图（EvoDAG）是具有锦标赛选择的稳态遗传编程系统。 EvoDAG的主要特征是遗传操作是在根部进行的。 EvoDAG的灵感来自于等人提出的几何语义交叉。 以及由等人执行的实现。 在以下会议论文Mario Graff，Eric S. Tellez，SabinoMiranda-Jiménez，Hugo Jair Escalante中描述了EvoDAG。 2016 IEEE国际电力，电子和计算秋季会议（ROPEC）第1-6页。 可以从下载预印本。 快速开始 使用EvoDAG有两种选择，一种是作为库，另一种是使用命令行界面。 将EvoDAG用作库 让我们假设X包含输入， y包含类。 然后，为了训练30个EvoDAG的合奏并预测X可以使用以下指令： # Importing EvoDAG ensemble from EvoDAG . model import EvoDAGE # Importing iris dataset from sklearn from sklearn . datasets import load_iris # Re

final为最终代码，其他为测试代码，有向无环图进行拓扑排序若不是DAG则输出圈

数据结构课件：第7章 图3有向无环图及其应用.pptx

基于Jeffries-Matusita距离和有向无环图的多类支持向量机分类器

算法导论试验1-4.有向无环图，DAG，强连通分量，如生成一个100个点3000条边的有向随机图，