搜索资源列表
mpi_odd_even
- 使用MPI实现奇偶变换排序并行化,大大提高效率和计算速度-Sort parity conversion using MPI parallel, greatly improve the efficiency and speed
mpi_trap1
- 利用MPI实现梯形积分法的并行化计算,大大提高计算速度-Using MPI parallel computing, the trapezoidal integration method greatly improve the computing speed
MPI_OpenMP_code
- 压缩包里包含几个用C编写的并行代码,运行无误。其中包括,电路满足性的MP程序,floyd算法MPI代码,Sieve_Eratoshenes筛法MPI代码,矩阵相乘的MPI代码以及计算PI值的OpenMP代码。-Which contains several parallel programs written in C to run correctly. Among them, including Floyd algorithm procedures, matrix multiplication M
MPI
- 里面包含两本MPI的经典书籍和一份PPT。 MPI并行程序设计自学教程.PPT MPI与OpenMP并行程序设计:C语言版 高性能计算之并行编程技术-MPI并行程序设计(完整版)-MPI which contains two classic books and a PPT. MPI parallel programming self-paced tutorial .PPT MPI and OpenMP parallel programming: C language vers
FinalTest-A
- 里面包含两个并行经理程序。分别是利用MPI和OpenMP来计算PI值,程序无误可用。-Which contains two parallel program manager. MPI and OpenMP are using to calculate the value of PI, correct procedures are available.
Jacoby-iterative
- 用MPI粗粒度并行实现雅各比迭代的算法,提高计算效率。-Coarse-grained parallel implementation with MPI Jacoby iterative algorithms to improve computational efficiency.
[GPU-CUDA--C-Programming]
- GPU CUDA C并行编程是计算机实现并行高速计算的强大方式,本资料将引领你进入这个神奇的世界-GPU CUDA C parallel programming is a powerful way to achieve parallel high-speed computer, this information will lead you into the magic of the world
Colfax-HOW-Day-04
- 引入了线程并行,OpenMP并行框架。讨论的主题包括:使用线程来利用多个处理器内核,线程和数据并行,协调使用OpenMP线程的创建和团队他们处理循环和树木的任务。OpenMP的讨论提到控制线程的数量,控制变量条款和范围的共享,循环调度模式,使用互斥锁来保护竞争的条件,并与线程私有变量减少并行可扩展的方法。讲座部分的结论与讨论的一般方法来实现在计算应用中的并行的机会。动手部分演示了使用OpenMP并行串行计算和论证了循环变量共享,在一个应用实例进行数值积分的互斥和并行还原。-Session 4 i
testdll
- 实现matlab与psasp并行仿真 串行机制 同时完成计算 数据传输(Realize parallel simulation serial mechanism between MATLAB and PSASP, and complete data transmission at the same time)
交流线路对直流线路感应过电压的pscad仿真
- 代码为本人亲自编写,绝对原创,设计了一套交直流并行线路电磁环境计算的代码,为感应过电压计算提供了基础。
DDLO算法
- 本文研究了移动边缘计算 (MEC) 网络,其中多个无线设备 (WD) 选择将其计算任务卸载到边缘服务器。为了节约能源并保持 WD 的服务质量,联合卸载决策和带宽分配的优化被表述为混合整数规划问题。然而,该问题在计算上受到维数灾难的限制,无法通过通用优化工具以有效和高效的方式解决,尤其是对于大规模 WD。在本文中,我们为 MEC 网络提出了一种基于分布式深度学习的卸载 (DDLO) 算法,其中使用多个并行 DNN 来生成卸载决策。我们采用共享重放内存来存储新生成的卸载决策,这些决策进一步训练和改进