Co-OLAP:CPU&GPU混合平台上面向星形模型基准的协同OLAP（英文）

当前GPU(图形处理器),即使是中端服务器配置的中端GPU也拥有强大的并行计算能力.不同于近期的研究成果,中端服务器可能配置有几块高端CPU和一块中端GPU,GPU能够提供额外的计算能力而不是提供比CPU更加强大的计算能力.本文以中端工作站上的CoOLAP(协同OLAP)为中心,描述如何使中端GPU与强大的CPU协同以及如何在计算均衡的异构平台上分布数据和计算以使Co-OLAP模型简单而高效.根据实际的配置,基于内存容量,GPU显存容量,数据集模式和订制的AIR(数组地址引用)算法提出了最大高性能数据分布模型.CoOLAP模型将数据划分为驻留于内存和GPU显存的数据集,OLAP计算也划分为CPU和GPU端的自适应计算负载来最小化CPU和GPU内存之间的数据传输代价.实验结果显示,在SF=20的SSB(星形模型基准)测试中,两块至强六核处理器的性能略优于一块NVIDA Quadra 5 000GPU(352个cuda核心)的处理性能,Co-OLAP模型可以将负载均衡分布在异构计算平台并使每个平台简单而高效.     

关于GQ—正则环

引进了GQ—正则环,它是几乎拟正则环的推广,以模理想及模的观点进行刻化,并得了若干性质。     

周期为pn+1的GF（q）上广义分圆序列的线性复杂度

主要研究周期为pn+1的q元域上广义分圆序列的线性复杂度,即把二元域上Edemskii的研究结果推广到一般GF(q)上。这里利用分圆数和部分指数和来给出具体的关于线性复杂度的计算公式。     

再论本原指标缺数

本文在[1]、[2]的基础上,对s≥5时,s-3s+4,s~2-3s+3,s~2-3s+2以及s~2-3s+1到s~2一4s+7这一区段内的本原指标缺数的情形进行了讨论,得到了明确的结论。同时,又对[1]中的一些结论重新给出了较为简洁的证明。     

对角元为零的本原矩阵指标计算

本文对于一类对角元为零的本原矩阵的指标计算问题进行了研究。反映在图上,即一类无环本原轮形指标计算,指标集为{n十2,n+3,n+4}。另一类无环本原扇形的指标为(n-k)与不超过(n-1)/k的最小整数的乘积加k。这里k为本原扇形辐的条数.k=1时,达到所有本原矩阵的指标上界(n-1)~2+1。     

关于Euler一致型方程x2-D1y2=2s2和x2-D2y2=-2t2

设D1,D2是无平方因子正整数.该文给出了方程组x2-D1y2=2s2和x2-D2y2=-2t2有本原整数解(x,y,s,t)的必要条件.     

适合中文的双向比较模式匹配算法

分析了几种常用的模式匹配算法,提出一种适合于中文的基于KMP的改进算法,即双向比较模式匹配算法.该算法以KMP算法为基础,引入特征数组以记录模式串尾字符在模式串中出现的位置信息,从而获得模式串在匹配过程中的最大移动距离和最少比较次数.实验结果表明,双向比较模式匹配算法可有效降低匹配次数.     

动态数组类模板的设计与实现

本文详细分析了C/C＋＋语言中数组的定义及使用。在C/C＋＋语言中定义的静态、长度不可变的数组在程序设计和开发过程中的不足较多。因此，本文结合实践利用C＋＋的模板、封装、重载等机制设计了一个可以在程序运行过程中对数组长度进行动态修改的通用数组类模板，并对通用数组的整体赋值、输入、输出进行了重载。     

C语言"指针"教学之思考

在C语言的教学中,“指针”这一部分内容一直是C语言的教学重点和难点,能否正确理解和使用指针是衡量学生是否掌握C语言这门课的一个重要标志,也直接影响学生对《数据结构》和《操作系统》等后续课程的学习和把握.以教学中存在的问题为切入点,从指针概念的正确理解、使用中常犯错误和灵活应用等方面较详细地介绍了教学中的经验和体会.