Skip Navigation
 

IMSL C

Nowości w IMSL C 7.0


Zrównoleglenie wielu algorytmów z użyciem OpenMP

  • Wersja 7.0 biblioteki IMSL C pozwala na skorzystanie z wieloprocesowości systemów komputerowych oraz wykorzystanie procesorów wielordzeniowych celem uzyskania lepszej wydajności aplikacji. Dyrektywy OpenMP pozwalają na rozłożenie obliczeń na wszystkie dostępne zasoby sprzętowe, na którym wykonywany jest software
  • Poniższe wykresy pokazują porównanie wydajności dla kilku algorytmów w przypadku ich wykonywania na różnych procesorach wielordzeniowych. Do celów porównawczych użyto systemu z procesorem dwurdzeniowych Xeon E5420, 2.5GHz, z systemem operacyjnym Windows Server 2003 R2. Więcej wykresów dostępnych jest w dokumencie:
           Parallel Performance of the IMSL C Library


Algorytmy generujące liczby pseudolosowe
pokazujące wydajność w relacji do pojedynczego wątku



Algorytmy optymalizacji numerycznej
pokazujące wydajność w relacji do pojedynczego wątku


Nowa funkcja rozwiązująca uogólnione układy różniczkowe cząstkowe Feynmana-Kaca oraz Blacka-Scholesa

Nowe funkcje z zakresu data mining, m.in. algorytmy genetyczne do optymalizacji, funkcje Naïve Bayes do klasyfikacji oraz operacje data mining na zbiorach tekstowych

  • Implementacje algorytmów genetycznych zawarte w bibliotece IMSL obsługują podstawowe zagadnienia i funkcje przedstawione w 1970 roku z jej najpopularniejszymi odmianami. Możliwe jest definiowanie przez użytkownika wielkości populacji, metody selekcji, losowe lub definiowane populacje początkowe, dowolne kombinacje czterech różnych typów danych: nominalne, binarne, całkowite i rzeczywiste, funkcje dopasowania z lub bez dodatkowych funkcji parametrycznych.
  • Algorytm Naïve Bayes jest prostą i bardzo szybką funkcją do wykorzystania w operacjach data mining oraz przy klasyfikacji bardzo dużych układów.
Wiele nowych funkcji, m.in.:
  • Kubiczne krzywe składane Kochanka-Bartelsa
  • Rozkład niecentralny chi-kwadrat, rozkład niecentralny studenta
Usprawnienia w wielu dotychczasowych algorytmach:
  • Ulepszony algorytm znajdowania zer funkcji
  • Szybsze generowanie liczb pseudolosowych
  • Możliwość klasyfikacji sieci neuronowych
  • Wiele opcji przy wyborze modeli Auto_ARIMA