摘要：ＳＣＡＮ算法是构成某些并行算法的一个简单而常用的基本模块．本文首先描述了ＳＣＡＮ操作及其串行和并行算法的设计；然后介绍了并行算法的可扩放性概念、度量及其分析方法；最后分析了不同互连结构上的并行ＳＣＡＮ算法的可扩放性，并用一组在Ｔｒａｎｓｐｕｔｅｒ陈列上的实验对分析所得的结论进行了验证．

摘要：随着并行计算技术的快速发展和SMP集群的普及,可扩放性已经成为并行应用程序设计和实现方面最重要的性能之一。但传统的可扩放性评价准则不能对SMP集群的可扩放性进行较精准的评价。为此,在分析SMP集群中处理器集合的特性和传统等效率模型并掌握其优缺点以及分析并行计算速度的基础上,给出了一种适合SMP集群系统效率的定义,并基于该定义提出了一种新的可扩放性评价准则(改进的等效率可扩放性评价准则)。该新准则可用来评价并行算法和SMP集群相结合的可扩放性。为验证所提出评价准则的有效性,在集群平台上运行矩阵乘法程序进行了相关的扩放性实验。实验结果表明,所提出的新评价准则对算法和并行机的最优匹配有指导作用,同时有助于对并行算法的设计和改进。

摘要：传统的基于项目相似度的协同过滤算法在处理大数据集时会出现延迟过长及效率不高等问题。本文基于Hadoop分布式框架及Spark分布式并行编程模型,设计了一个高效的基于项目相似度的协同过滤算法。经实验验证,文章算法具有很好的可扩放性及很好的推荐精度。

摘要：并行串匹配算法的研究大都集中在 PRAM(parallel random access machine)模型上 ,其他更为实际的模型上的并行串匹配算法的研究相对要薄弱得多 .该文采用将最优串行算法并行化的技术 ,利用模式串的周期性质 ,巧妙地将改进的 KMP(Knuth- Morris- Pratt)算法并行化 ,提出了一个简便、高效且具有良好可扩放性的分布式串匹配算法 ,其计算复杂度为 O(n/ p+m) ,通信复杂度为 O(ulogp) ,其中 n为文本串长 ,m为模式串长 ,u为模式串最小周期长 ,p为处理器数 .

摘要：巨量并行处理（ＭＰＰ）强调并行系统结构和并行算法的可扩放性。在一个可扩放的并行系统结构上，可扩放的并行算法应该能够有效地利用不断增加的处理机，算法的有效性通常以算法运行时的处理机效率来衡量。一个被普遍忽视的因素是通讯效率，这是一个具有一般性的问题。本文给出了通讯效率的定义，研究了它与处理机效率的关系，并通过对一个典型算法的运行情况分析，研究了几个常见的并行系统结构的通讯效率。本文的结果表明：处理机效率和通讯效率的综合才能全面地评价算法的可扩放性并指导并行系统结构的设计。

摘要：并行计算技术的发展已有20多年的历史了.时至今日,高性能并行计算仍然缺乏有效的并行程序设计方法和工具,使得编写并行程序、理解并行程序的行为、调试和优化并行程序的性能都很困难.从分析并行程序设计困难的原因入手,指出了当前各种高性能并行机系统支持的并行程序设计方法存在的诸多问题,综述了并行程序设计模型和语言的研究现状,给出了并行程序设计模型的评价标准,并提出了这一研究领域所面临的挑战性问题,指出了一些未来可能的发展方向.

摘要：文中给出了Ｃ３模型［１，２］上并行ＦＦＴ算法的设计方案，算法的时间复杂度为Ｏｎｌｏｇｎｐ＋ｎ（ｈ＋ｐ／ｂ）ｐｌ，采用Ｋｕｍａｒ等提出的等效率（ｉｓｏ－ｅｆｉｃｉｅｎｃｙ）分析法［３］对算法进行可扩放性（ｓｃａｌａｂｉｌｉｔｙ）分析．通过Ｔｒａｎｓｐｕｔｅｒ系统上的几组实验对理论结果给予了验证．最后讨论了Ｃ３模型作为算法开发平台的优缺点．