导读:本文包含了并行计算环境论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:算法,环境,集群,邻域,数据,电磁场,分布式。
并行计算环境论文文献综述
向宇,刘芳,万传棕,彭露,奉丽薇[1]（2019）在《一种基于Linux集群和MPI编程环境的并行计算方法》一文中研究指出首先介绍了Linux集群、并行计算和MPI技术的基本概念与方法,深入研究了MPI并行编程环境和集群并行计算模式。然后对MPI进行了分析,给出了Linux环境下MPI编程环境的配置方法,在此基础上构建了一个基于Linux和MPI的集群系统。(本文来源于《甘肃科技》期刊2019年17期）
王大鹏,李岷轩,陈贵齐,王楠,张玉[2]（2019）在《国产超算平台分析城市环境电磁射线传播的并行计算研究》一文中研究指出基于国产"神威·太湖之光"超级计算机平台,研究了适用于国产众核架构的一致性几何绕射理论方法的并行计算。该方法可用于城市环境电磁射线传播的高效分析以及以射线传播为基础的电磁态势预测。以260个异构核为基准,其并行方案在4160个异构核时的并行效率达到了99%以上。数值结果表明该并行方法能够在国产众核平台中快速高效地解决城市某区域的电磁场传播预测问题,并为后续安全、高效地开展城市电磁态势预测分析提供支撑。(本文来源于《微波学报》期刊2019年04期）
赵辉,王振夺[3]（2019）在《云计算环境中MapReduce并行计算优化探究》一文中研究指出本文以MapReduce为研究对象,介绍了MapReduce分布式并行计算的工作流程。在分析了MapReduce在云计算环境中的缺陷后,提出了一种优化方案,并对该优化方案的思想和方法进行了阐述。(本文来源于《福建电脑》期刊2019年05期）
甘云志[4]（2019）在《工作站网络环境下的并行计算》一文中研究指出现如今工作站网络环境下的并行计算是最重要的计算机计算形式,也是当今热议的话题。工作站网络环境下的并行计算是并行计算的一种形式,本文主要对并行计算进行介绍,在工作站网络环境下的并行计算的优点和不足,并对其进行总结说明,探究充分发挥并行计算的作用的相关路径。(本文来源于《数字通信世界》期刊2019年05期）
涂添翼[5]（2019）在《大数据环境下面向邻域粗糙计算流式并行化研究与应用》一文中研究指出随着技术和科技的发展,数据量有了爆炸式的增长,在海量数据中用户无法及时获得自己感兴趣的信息,推荐系统能有效解决这个问题。它根据用户的历史数据,将用户感兴趣的信息推荐给用户。但是传统推荐系统中大部分使用的是离线数据集,它按照一定时间(一般是以天为周期)来对数据进行分析,无法保证推荐系统的实时有效性。现今实时数据流越来越多,这也造成在推荐系统中需要处理的实时数据需求越来越多。同时传统的推荐系统还存在冷启动问题,提供给新用户的推荐内容准确性较低,导致用户的体验较差。本文将双论域邻域粗糙集理论运用在推荐系统中,提高推荐系统冷启动准确性;通过构建实时推荐系统,实时处理数据,来解决传统推荐系统实时性低的问题。论文具体的研究工作情况如下:(1)论文为了解决推荐系统的冷启动问题,采用双论域邻域粗糙模型进行偏好挖掘,提高推荐准确性。在双论域邻域粗糙集模型中,推荐系统的数据集是由用户和商品两个数据域所构成的,而通过用户对商品的评分这种映射关系来提高冷启动问题的准确性。(2)论文在面对评分映射具有不同含义的情况,运用矩阵分解模型构建基础评分线,通过基础评分线来表达实际情况中喜欢和不喜欢两种情绪。同时将评分映射关系进一步区分为积极映射和消极映射,并在偏好规则提取过程中过滤掉消极映射,进一步提高推荐系统冷启动的准确性。(3)论文在面对推荐系统的实时性问题上,设计基于Flink框架的实时推荐系统。为了实时计算基础评分线,在分布式流式架构中提出分布式的自适应权重随机梯度下降算法。该算法在分布式环境中收敛性和收敛速度都有很好的表现。(4)论文从软件工程角度,分别通过系统需求,系统设计和模块设计等方面对基于流平台邻域粗糙计算评分推荐系统进行详细阐述,并对系统进行包含功能测试、性能测试在内的系统测试,以保障系统的可靠性及稳定性(本文来源于《电子科技大学》期刊2019-03-23）
赵星光[6]（2019）在《边缘计算环境下的并行任务调度算法研究》一文中研究指出随着互联网与大数据技术的快速发展,边缘计算这一新技术不断融入到人们的生活中。在边缘计算的场景下,用户可以将自身设备上的任务卸载到附近边缘云上去处理,来获得低延迟、高效率的服务。如何对卸载到边缘云上的任务进行高效,可靠地调度是边缘计算领域中的一个重要问题。当下生活中的各种移动设备日趋智能化,所能提供的服务类型与数量也不断增多。然而,由于这些设备自身的计算资源与电池容量的限制,一些计算密集型的服务往往不能在自身设备上进行处理,这就会造成用户如果请求这类服务就不会得到响应。解决上述问题的一种方法是将这些计算密集型的任务卸载到有更强计算能力,更多能源支撑的云计算中心去处理。但是这些云计算中心与用户身边的移动设备有较远的距离,将任务从移动设备卸载到云计算中心会产生很大的通信时延,用户请求一些时延敏感性的服务不能够得到及时的响应。边缘计算理论的出现,满足了计算密集型与时延敏感性的任务对计算资源与响应时间两方面的要求。但边缘服务器自身的资源相对于远端云是有限的,且各边缘服务器之间的处理速度与资源总量往往不完全一样,同时任务之间还存在着资源竞争。因此如何为卸载到边缘服务器上任务设计调度算法,使得边缘服务器使用自身有限的资源处理更多的任务,同时能够保证用户的服务体验是很有必要的。本文为解决边缘计算环境下的任务调度问题,提出了两种不同的方法,主要工作如下:(1)我们将P-BPM任务处理模式应用到边缘计算场景下,基于蚁群算法的原理提出了一种边缘计算环境下多目标优化离线任务调度算法,称为P-MACO 算法(Parallel-batch multi-object ant colony optimization schedule algorithm)。我们针对边缘服务器之间性能参数不同而导致处理效率差异提出一种节约运行开销的方法,并在任务完成的及时性方面对算法进行了改进。(2)我们使用增强学习的思想,设计了可以应用在边缘计算环境中,适用于随机任务产生情形下的一种在线并行调度算法,称为OnPQ-Learning(Online Parallel-batch Q-Learning Algorithm)算法。通过建立马尔可夫决策模型使用Q-learning方法寻找合适的调度策略;同时为了保证任务处理的响应及时性和节约边缘服务器自身的资源,将超时任务数量、边缘服务器处理任务所需的时间与能耗开销,任务平均等待处理时间作为算法的优化目标,使得边缘服务器能够以自身有限的资源为用户提供大量,优质的服务。另外,文中对于处理边缘服务器的时间与能耗两方面的开销做出了一些个人见解。(3)通过使用Google cluster数据集来为我们的算法设计仿真实验,在两种不同的应用场景下,分别与MACO算法,FCFS算法,OnDisc算法进行了边缘服务器运行开销、任务处理时间、边缘服务器能耗开销、任务处理及时性等方面的对比。实验结果表明了我们的算法相对于其他算法在节约边缘服务器的资源、保证任务处理的及时性等方面上有着更好的表现。(本文来源于《安徽大学》期刊2019-03-01）
曹建,李峥,杨璞,王劲草[7]（2019）在《云计算环境下基于MapReduce的并行化排列熵算法》一文中研究指出针对工业监测数据在特征提取环节需要处理的数据集越来越大、实效性要求越来越高的问题,设计了一种在云计算平台MaxCompute环境下并行化的排列熵(Permutation Entropy,PE)算法。采用MaxCompute表存储海量的监测数据,基于MaxCompute扩展MapReduce模型设计了并行化排列熵算法,用于海量监测历史数据的批量排列熵特征提取。通过在单机和云计算平台环境下测试,算法具有良好的可扩展性,并可以适应大规模数据集,算法性能与数据量成线性关系。(本文来源于《电力信息与通信技术》期刊2019年01期）
魏博[8]（2018）在《云计算环境下的复杂数据库并行调度模型仿真》一文中研究指出在云计算的大环境下,数据库的调度是非常重要的一个环节,数据库的有效调度关系到云计算的整体运行,而能够有效地对于复杂的数据库进行快速调度,不仅需要多服务器合作,同时也可能涉及多个数据库之间的数据筛选与查找,而问题的难点在于,不同的数据库在计算机语句设置方面也是不同的,这就意味着查询和筛选的规则以及具体的语言逻辑存在着差异性,这种差异也会影响数据有效调度的效率。基于以上问题,笔者提出一种新的数据库调度方法,其主要基于(本文来源于《中国信息化》期刊2018年12期）
张伟,张立民[9]（2018）在《实现PVM环境下TNT软件的并行计算》一文中研究指出在开展生命之树重建的研究工作中,涉及海量数据,包括古生物学、形态学、分子生物学、生态学等学科领域的全证据数据,使用最大简约性、最大似然、贝叶斯等模型对这些数据进行分析,需要具有超强计算能力的计算机。普通的台式工作站、中小型机等已经不能满足计算要求。利用计算机集群开展并行计算,是目前技术条件下最经济、最稳定、最可靠的途径。在此介绍如何在LINUX集群环境下安装配置与调试PVM虚拟机,同时使用最常用的树分析软件TNT完成简单的树重建。介绍TNT软件的ptnt命令如何在PVM环境下运行,实现并行计算。(本文来源于《第十六届中国古脊椎动物学学术年会论文集》期刊2018-11-10）
王一达,赵长海,李超,张建磊,晏海华[10]（2018）在《异构计算环境下的叁维Kirchhoff迭前深度偏移混合域并行算法》一文中研究指出叁维Kirchhoff迭前深度偏移(KPSDM)面对数据量的不断增长以及可编程图形处理器(GPU)的引入,传统的并行策略已经不再适合当前的超大规模异构集群的体系架构。本文提出了一种新的混合域KPSDM并行算法,从成像空间、输入数据两个维度对偏移任务进行拆分,消除了任务之间的依赖性。为了应对异构计算环境,将核心计算部分移植到GPU上,并实现了"动态异步"的任务调度策略,保证了负载均衡;对于KPSDM执行过程中重复访问地震数据与旅行时场带来的巨大I/O开销,利用作业节点的本地存储构建分布式缓存系统,解决KPSDM可扩展性受限于共享存储能力的问题。在256节点的集群上处理实际地震数据,获得了接近线性的加速比效果。(本文来源于《石油地球物理勘探》期刊2018年03期）
并行计算环境论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
基于国产"神威·太湖之光"超级计算机平台,研究了适用于国产众核架构的一致性几何绕射理论方法的并行计算。该方法可用于城市环境电磁射线传播的高效分析以及以射线传播为基础的电磁态势预测。以260个异构核为基准,其并行方案在4160个异构核时的并行效率达到了99%以上。数值结果表明该并行方法能够在国产众核平台中快速高效地解决城市某区域的电磁场传播预测问题,并为后续安全、高效地开展城市电磁态势预测分析提供支撑。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
并行计算环境论文参考文献
[1].向宇,刘芳,万传棕,彭露,奉丽薇.一种基于Linux集群和MPI编程环境的并行计算方法[J].甘肃科技.2019
[2].王大鹏,李岷轩,陈贵齐,王楠,张玉.国产超算平台分析城市环境电磁射线传播的并行计算研究[J].微波学报.2019
[3].赵辉,王振夺.云计算环境中MapReduce并行计算优化探究[J].福建电脑.2019
[4].甘云志.工作站网络环境下的并行计算[J].数字通信世界.2019
[5].涂添翼.大数据环境下面向邻域粗糙计算流式并行化研究与应用[D].电子科技大学.2019
[6].赵星光.边缘计算环境下的并行任务调度算法研究[D].安徽大学.2019
[7].曹建,李峥,杨璞,王劲草.云计算环境下基于MapReduce的并行化排列熵算法[J].电力信息与通信技术.2019
[8].魏博.云计算环境下的复杂数据库并行调度模型仿真[J].中国信息化.2018
[9].张伟,张立民.实现PVM环境下TNT软件的并行计算[C].第十六届中国古脊椎动物学学术年会论文集.2018
[10].王一达,赵长海,李超,张建磊,晏海华.异构计算环境下的叁维Kirchhoff迭前深度偏移混合域并行算法[J].石油地球物理勘探.2018
论文知识图
