论Cannon算法在并行计算机上的运用研究

Cannon算法是一种较为便捷的并行算法,多用于计算机上的运用,采用这种算法能够大大提高计算机的运行效率,使得用户能够更好的使用计算机资源。本文主要从Cannon算法的基本原理,结合实际计算机运用,探讨Cannon算法在计算机环境中运行的最佳效果。

Cannon算法在并行计算机上的应用

Cannon算法是一种优秀的并行算法,在多CPU的处理器上,采用Cannon算法能够提高计算效率、高效利用计算机资源。文章阐述了矩阵相乘的并行算法的原理,并运用于实际来减少通信时延。通过仿真实验,证明了Cannon算法在多台PC计算机构成的机群并行计算环境中能够取得理想效果。

矩阵相乘Cannon并行算法在工作站机群上的实现

矩阵相乘Cannon并行算法是一个基于分布式存储多处理机模型的并行数值算法,文章研究了它在工作站机群上的实现。在满足负载平衡和减少网络间数据传输的条件下,主要探讨了子任务在工作站上的优化分配策略,最后给出了在PVM并行编程环境下的具体实现方法。

矩阵相乘Cannon并行算法在工作站机群上的实现

矩阵相乘Cannon并行算法是一个基于分布式存储多处理机模型的并行数值算法,本文研究了它在工作站机群上的实现。在满足负载平衡和减少网络间数据传输的条件下,主要探讨了子任务在工作站上的优化分配策略,最后给出了在pvm并行编程环境下的具体实现方法。

大规模生物网络马尔可夫聚类的并行化算法

马尔可夫聚类算法(MCL)是在大规模生物网络中寻找模块的一个有效方法,能够挖掘网络结构和功能影响力较大的模块。算法涉及到大规模矩阵计算,因此复杂度可达立方阶次。针对复杂度高的问题,提出了基于消息传递接口(MPI)的并行化马尔可夫聚类算法以提高算法的计算性能。首先,生物网络转化成邻接矩阵;然后,根据算法的特性,按照矩阵的规模判断并重新生成新矩阵以处理非平方倍数矩阵的计算;其次,并行计算通过按块分配的方式能够有效地实现任意规模矩阵的运算;最后,循环并行计算直至收敛,得到网络聚类结果。通过模拟网络和真实生物网络数据集的实验结果表明,与全块集体式通信(FCC)并行方法相比,平均并行效率提升了10个百分点以上,因此可以将该优化算法应用在不同类型的大规模生物网络中。

关于多核系统并行程序效率的编程因素及其研究

着重分析了多核架构系统中内存对齐技术与cache利用率等因素对并行程序性能的影响。用共享存储环境OpenMP分析了并行计算量与处理器核心数目之间的关系,通过用MPI编程实现的矩阵相乘的行划分和CANNON算法等实例分析,指出了只有综合考虑了多核系统的结构特征、系统软件、多核编程语言环境以及正确运用算法等,才能设计出高效且能耗又小的并行应用程序。