并行算法总结2015
《并行算法》课程总结与复习
并行算法》课程总结与复习Ch1 并行算法基础1.1并行计算机体系结构并行计算机的分类SISD,SIMD,MISD,MIMD ； SIMD,PVP,SMP,MPP,COW,DSM 并行计算机的互连方式静态： LA（LC）,MC,TC,MT,HC,BC,SE动态： Bus, Crossbar Switcher, MIN（Multistage InterconnectionNetworks）1.2并行计算模型PRAM 模型： SIMD-SM ，又分 CRCW（CPRAM,PPRAM,APRAM）,CREW,EREWSIMD-IN 模型： SIMD-DM异步 APRAM 模型： MIMD-SMBSP模型：MIMD-DM，块内异步并行，块间显式同步LogP 模型： MIMD-DM ，点到点通讯1.3并行算法的一般概念并行算法的定义并行算法的表示并行算法的复杂度：运行时间、处理器数目、成本及成本最优、加速比、并行效率、工作量并行算法的 WT表示：Brent定理、WT最优加速比性能定律并行算法的同步和通讯Ch2 并行算法的基本设计技术基本设计技术平衡树方法：求最大值、计算前缀和倍增技术：表序问题、求森林的根分治策略： FFT 分治算法划分原理：均匀划分（PSRS排序）、对数划分（并行归并排序）、方根划分（Valiant归并排序）、功能划分（（m,n）-选择）流水线技术：五点的 DFT 计算Ch3 比较器网络上的排序和选择算法3.1Batcher归并和排序0-1 原理的证明奇偶归并网络：计算流程和复杂性（比较器个数和延迟级数）双调归并网络：计算流程和复杂性（比较器个数和延迟级数）Batcher排序网络：原理、种类和复杂性3.2（m, n）-选择网络分组选择网络平衡分组选择网络及其改进Ch4 排序和选择的同步算法4.1一维线性阵列上的并行排序算法4.2二维Mesh上的并行排序算法ShearSort排序算法Thompson&Kung 双调排序算法及其计算示例4.3Sto ne双调排序算法4.4Akl并行k-选择算法：计算模型、算法实现细节和时间分析4.5Valia nt并行归并算法：计算模型、算法实现细节和时间分析4.7 Preparata并行枚举排序算法：计算模型和算法的复杂度Ch5 排序和选择的异步和分布式算法5.1MIMD-CREW 模型上的异步枚举排序算法5.2MIMD-TC 模型上的异步快排序算法5.3分布式k-选择算法Ch6 并行搜索6.1单处理器上的搜索6.2SIMD 共享存储模型上有序表的搜索：算法6.3SIMD 共享存储模型上随机序列的搜索：算法6.4树连接的 SIMD 模型上随机序列的搜索：算法6.5网孔连接的 SIMD 模型上随机序列的搜索：算法和计算示例Ch8 数据传输与选路8.1引言信包传输性能参数维序选路（X-Y选路、E-立方选路）选路模式及其传输时间公式8.2单一信包一到一传输SF和CT传输模式的传输时间（一维环、带环绕的Mesh、超立方）8.3一到多播送SF和CT传输模式的传输时间（一维环、带环绕的Mesh、超立方）及传输方法8.4多到多播送SF和CT传输模式的传输时间（一维环、带环绕的Mesh、超立方）及传输方法8.5贪心算法（书 8.2）二维阵列上的贪心算法蝶形网上的贪心算法8.6随机和确定的选路算法（书 8.3）Ch12 矩阵运算12.1矩阵的划分：带状划分和棋盘划分，有循环的带状划分和棋盘划分12.2矩阵转置：网孔和超立方连接的算法及其时间分析12.3矩阵向量乘法带状划分的算法及其时间分析棋盘划分的算法及其时间分析12.4矩阵乘法简单并行分块算法Cannon算法及其计算示例Fox 算法及其计算示例 DNS 算法及其计算示例 Systolic 算法Ch13 数值计算13.1稠密线性方程组求解 SIMD-CREW 的上三角方程组回代算法SIMD-CREW 上的 Gauss-Jordan算法MIMD-CREW 上的 Gauss-Seidel算法13.2稀疏线性方程组的求解三对角方程组的奇偶规约求解法Gauss-Seide迭代法的红黑着色并行算法13.3非线性方程的求根Ch14 快速傅立叶变换FFT14.1快速傅里叶变换 (FFT) 离散傅里叶变换 (DFT) 串行 FFT 递归算法及其计算原理串行 FFT 蝶式计算及其蝶式计算流图14.2DFT 直接并行算法SIMD-MT 上的并行 DFT 算法14.3并行 FFT 算法 SIMD-MC 上的 FFT 算法 SIMD-BF 上的 FFT 算法及其时间分析Ch15 图论算法15.1图的并行搜索P-深度优先搜索及其计算示例 p-宽深优先搜索及其计算示例 p-宽度优先搜索及其计算示例15.2图的传递闭包基于布尔矩阵乘积的算法原理计算示例SIMD-CC 上的传递闭包算法15.3图的连通分量基于传递闭包的算法基于顶点合并的算法15.4图的最短路径基于矩阵乘积的算法原理计算示例15.5图的最小生成树 SIMD-EREW 模型上的 Prim 算法算法的时间分析Ch17 组合搜索17.1基于分治法的与树搜索与树并行搜索过程处理器数目与搜索效率关系17.2基于分枝限界法的或树搜索串行分枝限界法示例: 0-1 背包问题,8- 谜问题及其搜索算法的并行化 TSP问题的分枝限界算法及其并行化Ch18 随机算法18.1引言基本知识：随机算法的定义、分类时间复杂性度量设计方法18.2低度顶点部分独立集串行算法随机并行算法及其正确性证明18.5多项式恒等的验证基本原理和方法矩阵乘积的验证原理。
高性能计算中的并行算法
高性能计算中的并行算法随着计算机硬件的不断发展，高性能计算机成为越来越多科学计算领域的首选工具。
如何利用高性能计算机的处理能力，提高计算效率，已成为当前计算科学领域的研究热点之一。
其中，并行算法是高性能计算中必不可少的一部分。
并行算法是指利用多个计算资源同时处理问题的算法。
与串行算法相比，它能够显著提高计算速度。
因此，对于复杂计算任务，或需要大量数据处理的任务，采用并行算法是十分必要的。
在高性能计算中，利用并行算法可以充分利用计算机集群的各个节点，将问题分解成多个子问题，同时处理，提高计算效率。
下面将从并行算法的基本概念、并行算法的分类、并行算法的设计方法以及并行算法的应用等方面对其进行探讨。
一、并行算法的基本概念并行算法是指利用多个计算资源同时处理问题的算法。
在高性能计算中，其主要目的是利用计算机集群的多个节点完成复杂计算任务。
因此，其主要特点是：1.任务分解并行算法需要将问题分解成多个子问题进行处理。
每个子问题可以被单独处理，最后将结果汇总得到最终结果。
因此，任务分解是并行算法的重要环节。
2.计算节点之间相互通信由于每个计算节点在处理子问题时需要读取其他节点的计算结果，因此节点之间需要相互通信。
因此，设计高效的通信机制是并行算法的关键之一。
3.任务调度由于每个计算节点的处理能力不同，任务的分配需要根据每个节点的处理能力进行调度。
因此，节点之间的任务调度是并行算法的必要环节。
二、并行算法的分类并行算法可分为以下三种类型：1.数据并行算法数据并行算法是指将问题的输入数据分成多个子集，在不同计算节点上进行并行处理，最后将处理结果合并得到最终结果。
在数据并行算法中，各个节点之间存在数据依赖关系。
2.任务并行算法任务并行算法是指将主要任务分解成多个子任务，在不同计算节点上进行处理。
各个节点间不需要进行数据共享，只需要互相传递任务信息。
3.混合并行算法混合并行算法是指同时采用数据并行算法和任务并行算法，优点是可充分利用各自的优势。
并行算法
并行性条件 数据相关性：流相关、反相关、输出相关 相关性判别条件 输入集合I1,I2, 输出集合U1,U2,
I1Λ U2=Φ ; I2Λ U1=Φ ; U1Λ U2=Φ ;
数据相关
• P1： A＝B+C • P2: D＝A×B
其中变量A是导致P1和P2发生数据相关的原因。
P1和P2不能并行执行
1)可并发执行的任务放在不同的处理器上，增强并行度 2)需要频繁通信的任务置于同一处理器上以提高局部性。 3)采用域分解技术，当分解算法复杂，工作量不一样，通 信也许是非结构化的，此时需要负载平衡算法。 4)基于功能分解，会产生一些由短暂任务组成的计算，它 们在开始与结束时需与别的任务协调，此时可采用任务调度 算法。
假设 F(x)是D R n到D的一个映射, 要求解x* , 使得x*是 方程F(x)=0的一个解.记F(x)的Jacobi矩阵为G(x)=F' ( x ), 对给定的初始值x (0) , 则Newton迭代法如下 : x (k+1) x (k) G 1 ( x (k) ) F ( x (k) ), k 0,..........
并行算法简介
解决方案中心 高性能计算部 姜金良
目录
并行算法基本概念 并行算法分类 并行化方法 并行算法的一般设计方法 并行算法的基本设计技术 并行算法的一般设计过程 并行程序设计方法 并行编程模型
并行算法的概念
• 并行算法：是一些可同时执行的诸进程的集合，这些进程相互作
用和协调动作从而达到给定问题的求解。
• 同步和异步并行算法
同步并行算法需要在某一时刻需要与其它的处理机进行数 据交换,然后才能继续进行.异步并行算法进行数据交换不 需要严格确定在某一时刻,每个处理机按照预定的计算任 务持续执行,但通常需要在一定的时候必须进行一次数据 交换,以保证算法的正确性 例:
串行和并行算法范文
串行和并行算法范文串行算法是一种按照线性顺序执行的算法，其中每个操作依赖于前一个操作的结果。
这意味着每个操作必须等待前一个操作完成后才能开始执行。
串行算法是最基本的算法类型，它通常用于解决简单问题或在计算资源有限的情况下进行计算。
并行算法是一种同时执行多个操作的算法，其中每个操作可以独立执行而不依赖于其他操作的结果。
并行算法在多核处理器或分布式系统上运行，可以同时处理多个任务，加快计算速度并提高效率。
并行算法通常用于解决复杂问题或需要大量计算资源的情况。
串行算法和并行算法之间存在着明显的区别。
首先，串行算法的执行时间取决于操作之间的依赖关系，而并行算法的执行时间取决于任务的数量和计算资源的可用性。
由于并行算法可以同时处理多个操作，因此它通常比串行算法更快。
其次，串行算法的设计和实现相对简单，因为操作之间的依赖关系可以通过简单的顺序执行来满足。
然而，并行算法的设计和实现更为复杂，因为需要考虑操作之间的并发性和数据共享的问题。
并行算法通常需要使用同步和互斥机制来协调并发操作，以保证数据的一致性和正确性。
另外，并行算法还可以通过分治法、任务划分、数据并行等技术来提高效率。
例如，分治法将一个大问题划分为多个小问题，并使用并行算法同时解决这些小问题，最后将结果合并以得到最终的解决方案。
任务划分将一个大任务分解为多个子任务，每个子任务由一个或多个处理器完成，并通过消息传递或共享内存来进行通信和同步。
数据并行算法将数据集划分为多个子集，并将每个子集分配给不同的处理器进行处理。
尽管并行算法具有许多优点，但它们也存在一些挑战和限制。
首先，并行算法需要更多的计算资源和存储空间，因为它们需要同时处理多个操作和维护数据的一致性。
其次，并行算法的设计和实现更为复杂，需要考虑并发性、同步和通信等问题。
最后，一些问题可能不适合并行算法，因为它们的操作之间存在较强的依赖关系或数据共享问题。
总而言之，串行算法和并行算法在设计和实现上存在着明显的区别。
并行计算的算法
并行计算的算法随着计算机技术的不断发展，计算机处理能力不断提升，计算机科学家们便开始思考如何更好地利用计算机的性能。
并行计算便是一种解决方案，能够在多个处理器间同时完成任务，从而提高系统的效率。
在实际应用中，许多问题都需要进行高效的并行计算，因此一些优秀的并行算法也应运而生。
本文将介绍一些常见的并行算法，包括并行排序、并行搜索、并行图像处理等。
一、并行排序算法排序是计算机科学中最基础的算法之一，实现排序算法的方式很多。
在大数据量的情况下，串行排序算法会带来很大的时间开销，因此需要并行排序算法来提高效率。
经典的并行排序算法有PQsort、Sample sort、Quick sort等，其中PQsort的性能较为出色。
其思想是将序列切分成若干个小块，通过多个处理器并行排序，最终将小块合并成有序序列。
二、并行搜索算法并行搜索在分布式计算等领域有着广泛的应用。
相比于串行搜索算法，其可以更快地寻找目标，同时可用于搜索更大的数据集。
并行搜索算法的核心思想是通过利用多个处理器同时搜索目标，以达到更快速响应和更准确的结果。
典型的并行搜索算法有OpenMP深度优先算法等。
三、并行图像处理算法图像处理是计算机视觉中一个重要的领域。
在图像处理中，经常需要处理大量的数据，因此并行算法应用也相当广泛。
并行图像处理算法可以通过同时操作多个独立的图像像素，提高处理速度。
典型的并行图像处理算法有OpenMPI空间滤波算法、CUDA GPU加速算法等。
总结本文介绍了并行计算的算法，包括并行排序算法、并行搜索算法和并行图像处理算法。
这些算法在高效处理大规模数据、更快速地响应、提高处理性能上发挥了重要作用。
随着计算机性能的不断提高，更多的并行算法将不断被开发和优化，为各个领域的计算机应用提供有效的支持。
并行算法课程总结
课程总结
本学期通过学习算法分析与设计课程，了解到：算法是一系列解决问题的清晰指令，代表着用系统的方法描述解决问题的策略机制。
算法能够对一定规范的输入，在有限时间内获得所要求的输出。
如果一个算法有缺陷或不适合某个问题，执行这个算法将不会解决这个问题。
不同的算法可能用不同的时间、空间或效率来完成同样的任务。
一个算法的优劣可以用空间复杂性和时间复杂度来衡量。
算法可以使用自然语言、伪代码、流程图等多种不同的方法来描述。
计算机系统中的操作系统、语言编译系统、数据库管理系统以及各种各样的计算机应用系统中的软件，都必须使用具体的算法来实现。
算法设计与分析是计算机科学与技术的一个核心问题。
设计的算法要具有以下的特征才能有效的完成设计要求，算法的特征有:（1）有穷性。
算法在执行有限步后必须终止.（2）确定性。
算法的每一个步骤必须有确切的定义。
（3)输入。
一个算法有0个或多个输入，作为算法开始执行前的初始值，或初始状态。
（4）输出。
一个算法有一个或多个输出，以反映对输入数据加工后的结果。
没有输出的算法是毫无意义的。
（5）可行性。
在有限时间内完成计算过程。
在学习课程内容的时候感觉到一些算法的学习如果没有进行提前的预习的话，只靠上课的讲解有可能并不能很好的理解和把握。
因此课前预习很关键。
此外，希望老师能在课上进行适当的练习，比如算法那里。
本学期的这门课程让我知道了研究并行算法的重要性，在这里要衷心的感谢老师，谢谢！。
计算机编程并行计算基础知识了解并行计算的概念和并行算法
计算机编程并行计算基础知识了解并行计算的概念和并行算法计算机编程并行计算基础知识：了解并行计算的概念和并行算法计算机编程是一个广泛而深入的领域，而并行计算是其中一个重要的概念。
在本文中，我们将介绍并行计算的基础知识，包括并行计算的概念和并行算法。
一、并行计算的概念并行计算是指在多个处理器或计算机上同时执行多个计算任务的过程。
与之相反的是串行计算，即在单个处理器或计算机上依次执行计算任务。
并行计算可以提高计算速度和效率，特别适用于处理大规模的数据和复杂的计算任务。
并行计算的主要优点包括：1. 提高计算速度：通过同时执行多个计算任务，可以大大缩短计算时间。
2. 提高计算效率：通过充分利用多个处理器或计算机的计算资源，可以更有效地完成计算任务。
3. 处理大规模数据：并行计算可以处理大规模的数据集，例如在科学研究、数据挖掘和机器学习等领域中。
二、并行算法并行算法是一种针对并行计算环境设计的算法，旨在充分利用多个处理器或计算机的计算能力。
并行算法可以分为两种类型：数据并行和任务并行。
1. 数据并行：数据并行是指将数据划分为多个部分，在多个处理器或计算机上同时进行计算。
每个处理器独立计算自己的数据，并通过通信来共享必要的结果。
数据并行常用于矩阵乘法、图像处理和模拟等领域。
2. 任务并行：任务并行是指将计算任务划分为多个子任务，在多个处理器或计算机上同时进行计算。
每个处理器独立执行自己的子任务，并通过通信来协调和共享计算结果。
任务并行常用于解决复杂的问题，如搜索、优化和排序等。
并行算法的设计要考虑以下几个方面：1. 任务划分：将计算任务划分为适当的子任务，以利用并行计算环境的处理能力。
2. 数据通信：在并行计算过程中，不同处理器之间需要及时交换和共享计算结果。
3. 数据同步：在并行计算过程中，确保不同处理器之间的计算步骤能够同步进行，避免数据冲突和错误的计算结果。
三、并行计算的应用并行计算在各个领域都有广泛的应用。
矩阵相乘-并行算法
矩阵相乘-并行算法LT行度。
对于一个n×n的方阵，棋盘划分最多可以使用n^2个处理器进行并行计算，但使用按行或列分解最多可以使用n个。
对矩阵相乘采用棋盘式划分的算法通常称作Cannon算法。
A）行列划分又叫带状划分（Striped Partitioning），就是将矩阵整行或者整列分成若干个组，每个组指派给一个处理器。
下图所例为4个CPU，8×8矩阵的带状划分。
在带状划分情况下，每个CPU将会均匀分配到2行(列)数据。
8×8矩阵变成了一个1×4或4×1的分块矩阵，每个CPU所属的分块矩阵大小为8×2或2×8。
B）棋盘划分就是将矩阵分成若干个子矩阵，每个子矩阵指派给一个处理器，此时任一处理器均不包含整行或者整列。
下图所示即为4个处理器情况下8×8矩阵的棋盘划分，其中处理器阵列为2×2，每个处理器分配到的子矩阵大小为4×4。
矩阵划分成棋盘状可以和处理器连成二维网孔相对应。
对于一个n×n维矩阵和p×p的二维处理器阵列，每个处理器均匀分配有（n/p）×(n/p)=n^2/p^2个元素。
使用棋盘式划分的矩阵相乘算法一般有两种，Cannon算法和Summa算法。
SUMMA算法能够计算m*l的A矩阵和l*n的B矩阵相乘（m、l、n可不相等），而cannon算法只能实现n*n的A矩阵和n*n的B矩阵相乘，具有很大的局限性。
3.2、算法原理A) 行划分法假设是M*N，计算前，将矩阵N发送给所有从进程，然后将矩阵M分块，将M中数据按行分给各从进程，在从进程中计算M中部分行数据和N的乘积，最后将结果发送给主进程。
这里为了方便，有多少进程，就将M分了多少块，除最后一块外的其他数据块大小都相等，最后一块是剩下的数据，大小大于等于其他数据块大小，因为矩阵行数不一定整除进程数。
最后一块数据在主进程中计算，其他的在从进程中计算。
最短路径问题的并行算法归纳总结
最短路径问题的并行算法归纳总结介绍最短路径问题是图论中的一个经典问题，旨在找到两个节点之间的最短路径。
由于计算最短路径在大型图上可能非常耗时，因此并行算法成为解决此问题的一种有效策略。
本文将对最短路径问题的并行算法进行归纳总结。
并行算法1: Floyd-Warshall算法Floyd-Warshall算法是一种经典的动态规划算法，用于求解任意两个节点之间的最短路径。
该算法的并行化版本可以通过将图划分为多个子图，并在每个子图上独立执行算法来实现。
通过并行化处理，可以显著加快计算速度。
并行算法2: Dijkstra算法Dijkstra算法也是一种常用的最短路径算法，适用于单源最短路径问题。
并行化Dijkstra算法的一种常见方法是使用优先级队列来同时处理多个节点。
通过使用多线程或分布式计算，可以同时计算多个节点的最短路径，提高算法的效率。
并行算法3: Bellman-Ford算法Bellman-Ford算法是一种解决带有负权边的最短路径问题的算法。
并行化Bellman-Ford算法可以通过以不同的顺序计算各个节点来实现。
通过并行计算多个节点，可以加快算法的执行速度。
结论最短路径问题的并行算法提供了一种加速计算的有效策略。
Floyd-Warshall算法、Dijkstra算法和Bellman-Ford算法是常见的并行算法，分别适用于不同类型的最短路径问题。
在实际应用中，选择合适的并行算法可以根据具体问题的特点和计算资源的情况进行决策。
最后要重申的是，本文对最短路径问题的并行算法进行了归纳总结，但请注意，引用的内容需要经过确认，避免不可信信息的引用。
并行计算总结
并行计算总结近年来，随着科技的迅猛发展，计算机的速度日渐提升，但是对于一些复杂的任务来说，单个计算机的计算能力往往难以满足需求。
为了提高计算效率，人们开始采用并行计算的方式。
并行计算是指将一个大任务分割成若干个子任务，然后在多个计算单元上同时进行计算，从而提高整体计算速度。
本文将对并行计算进行总结分析。
1. 并行计算的基本概念并行计算是指多个计算任务同时进行的计算模式。
传统的串行计算是一种按照顺序依次执行的计算方式，而并行计算则是将任务分割成多个子任务，通过多个计算单元同时进行计算。
并行计算可以大大缩短任务的完成时间，提高计算效率。
2. 并行计算的优势并行计算相比串行计算有许多优势。
首先，它能极大地提高计算速度，特别是对于那些需要进行大量计算的任务来说，可以大大缩短计算时间，提高工作效率。
其次，并行计算还能提高系统的稳定性和可靠性，因为计算任务可以在多个计算单元上并行进行，即使一个计算单元出现故障，其他计算单元仍然可以继续工作。
此外，并行计算还可以节省能源，因为多个计算单元可以共享计算资源，减少了不必要的能耗。
3. 并行计算的应用领域并行计算在许多领域都有广泛的应用。
在科学计算领域，例如天气预报、地震模拟等都需要进行大规模的数值计算，通过并行计算可以加速计算过程。
在图像处理领域，例如图像识别、图像分析等也需要高效的计算方法，通过并行计算可以提高处理速度。
此外，在机器学习、人工智能等领域，由于需要处理大量的数据和复杂的算法，也需要采用并行计算的方式来提高计算能力。
4. 并行计算的挑战和解决方案虽然并行计算有很多优势，但是也面临着一些挑战。
首先，任务的划分和调度是一个关键的问题，合理地将任务分割成子任务，并将其分配到不同的计算单元上进行计算是一项复杂的任务。
其次，并行计算还需要考虑数据的通信和同步问题，不同计算单元之间需要进行数据传输和同步，避免计算结果的错误。
此外，并行计算还需要考虑系统的负载均衡，即使分配任务给不同的计算单元，也要保证每个计算单元的计算负载相对均衡。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
为何要学习并行算法？
数据结构+计算机算法=计算机程序 计算机程序+规范文档+控制数据=计算机软件 计算机软件+市场=（精神与物质）财富 并行算法可以显著加速大规模、复杂问题的处理响应（求解）速度，可以获得问 题更精确（更好）的解。 客观世界的一切事物（对象）及其活动都是并发（并行）进行的，将事物（对象） 及其活动映射成计算机软件解时，计算机软件（计算机程序、 计算机算法）自然 也应当是并行的！
总 结
Байду номын сангаас
考试时间与地点 时间：2015年7月15日星期三下午15：00-18：00 地点：计算机学院二楼多功能报告厅 说明：若有变动，将另行通知 考试方式：开卷考试 考试题型 基本概念题（50分左右） 例1：对于具有p个处理器的EREW模型，为了解决p个处理器并发读取共享存储器同一单元 问题，需要多少时间？ 例2：n3个处理器的SIMD-CC模型上求传递闭包算法的时间复杂度是多少？ 算法应用题（30分左右） 例1：对于给定的两组数据，画出其奇偶归并网络（奇偶排序网络）图。 例2：对于给定的两个矩阵，画出SIMD-SM机器上矩阵乘积算法执行的过程 算法分析题（10分左右） 例：分析、证明习题2.1“平衡二叉树上递归前缀和算法”的时间复杂度T(n)=O(logn)，工作量 W(n)=O(n) 算法设计/修改算法题（10分左右） 例：修改P.78-79的算法2.10 SIMD-CRCW模型上枚举求最大值算法使之能在SIMD-CREW模 型上执行。 提示：采用二叉竞赛树方法解决写冲突问题，对P.79的算法中第（2）行语句进行修改即可。 题目份量：不难，但有相当的量 成绩计算：总评成绩 = 卷面成绩×80% + 平时成绩（学习态度、到课率，等）× 20%
常常运用并行思维分析问题，灵活运用并行协同方法处理生活、学习 （研究）、工作关系使之可持续协调 发展，巧妙运用并行计算理论、方法 与技术研究解决科学研究、工程应用中遇到的关键技术问题。