高性能计算实验合集，包括： 1. 高性能计算_ 两个整数的最大值 2. 高性能计算_WordCount 3. 高性能计算_分布式数据的并行排序 4. 高性能计算_矩阵相乘 5. 高性能计算_矩阵相乘MPI 6. 高性能计算_枚举排序 7. 高性能计算_数组排序 8. 高性能计算_一维卷积

Siemense 的Prodave6动态连接库，工控上位机软件与Siemense PLC 链接制作有用。

基于OpenMP_MPI并行编程模型的N体问题的优化实现，可以给刚接触openmp+mpi混合编程的人一些参考

文件夹结构：MPI——在“src”文件夹中包含 MPI 代码以及 Makefile 和运行脚本。 OMP——在“src”文件夹中包含 OpenMP 代码以及 Makefile 和运行脚本。 SEQ——在“src”文件夹中包含序列代码以及 Makefile 和运行脚本。 SSE——在“src”文件夹中包含英特尔内部代码以及 Makefile 和运行脚本。 MPI+OMP——在“src”文件夹中包含 MPI+OMP 代码以及 Makefile 和运行脚本。 如何： -- 请加载以下模块： $ 模块加载英特尔 $ 模块加载英特尔-mpi 在上述每个文件夹中都有一个运行脚本，用于在 SBATCH 中提交程序，这里是它们的名称、它们的作用以及如何运行它们。 ------------------------------------------------ 序列文件夹-------------

mpi/omp 并行测试程序（fortran）编写的，已经在单机和工作站测试过

MPI OpenMP混合编程解决N-Body问题 华南理工 高性能云计算

基本实现MPI下线性方程组求解（高斯消去法和雅可比迭代发）

 基于Message-Passing Interface （ MPI）的编程环境，以PML （Perfectly Matched Layer）为吸收边界条件，讨论了时域有限差分法FDTD的三维并行运算情况。通过一定的数值计算，定量地给出了MPI下FDTD并行算法中的网格数、进程数、分割方式三者之间的关系以及对计算效率的影响。

使用MPI，OpenMP分别绘出Mandlebrot图形，计算PI值，消息传递，实验报告，源代码，试验结果

k-means聚类算法及matlab代码目录 介绍 K-均值聚类是一种简单且可扩展的聚类方法，它以一种客观的方式将观察结果划分为k个聚类。 它具有非常广泛的应用，例如图像分割，零售产品分类（Kusrini，2015），温室气体排放等环境问题（Kijewska和Bluszcz，2015）。 K均值聚类可以与其他高级方法结合使用。 例如，它与支持向量机（SVM）一起使用来执行自动文本分类（Perrone和Connell，2000年）。 它也可以用作预处理方法，例如在隐马尔可夫模型（HMM）中初始化（Hu和Zanibbi，2011年）。 它的广泛应用和简单的计算复杂度使k-means聚类成为当今流行的方法之一。 当维数d> 1且簇数k> 1时，找到k均值成本函数的最小值是一个NP难题。 科学家想出了几种启发式方法来找到局部最小值，但是该过程仍然需要大量计算，尤其是对于具有高维特征的大型数据集而言。 因此，我们希望在机器集群上实现k-means启发式方法的并行版本，以在不牺牲算法准确性的情况下显着加快算法的运行速度。 k均值聚类的典型方法是期望最大化（EM）。 E步将点分配到最近的聚类中心，而