Serie: Parallele Algorithmen, Vorlesung, WS 2017/18
| Autor | Sanders, Peter KIT | Webcast [Hrsg.] |
| Genre | Vorlesung |
| Beschreibung | Diese Vorlesung erklärt grundlegende algorithmische Techniken zur Beherrschung paralleler Rechner: einfache Programmiermodelle, die den Entwurf portabler und skalierbarer paralleler Algorithmen erlauben grundlegende Kommunikationsmuster zwischen Prozessoren und ihre effektive Implementierung Lastverteilung: Wie kann man komplizierte Berechnungen so verteilen, dass alle Prozessoren gleich viel zu tun haben? Wie parallelisiert man grundlegende sequentielle Algorithmen: Sortieren, Datenstrukturen, Graphenalgorithmen, ...? Lernziele: Die Studierenden erwerben ein systematisches Verständnis algorithmischer Fragestellungen und Lösungsansätze im Bereich der parallelen Algorithmen, das auf dem bestehenden Wissen im Themenbereich Algorithmik aufbaut. Außerdem können sie erlernte Techniken auf verwandte Fragestellungen anwenden und aktuelle Forschungstehmen im Bereich paralleler Algorithmen interpretieren und nachvollziehen. Nach erfolgreicher Teilnahme an der Lehrveranstaltung können die Studierenden Begriffe, Strukturen, grundlegende Problemdefinitionen und Algorithmen aus der Vorlesung erklären; auswählen, welche Algorithmen und Datenstrukturen zur Lösung einer Fragestellung geeignet sind und diese ggf. den Anforderungen einer konkreten Problemstellung anpassen; Algorithmen und Datenstrukturen ausführen, mathematisch präzise analysieren und die algorithmischen Eigenschaften beweisen; Maschinenmodelle aus der Vorlesung erklären sowie Algorithmen und Datenstrukturen in diesen analysieren; neue Probleme aus Anwendungen analysieren, auf den algorithmischen Kern reduzieren und daraus ein abstraktes Modell erstellen und auf Basis der in der Vorlesung erlernten Konzepte und Techniken eigene Lösungen in diesem Modell entwerfen, analysieren und die algorithmischen Eigenschaften beweisen. Lehrinhalt: Modelle und ihr Bezug zu realen Maschinen: shared memory - PRAM Message Passing, BSP Schaltkreise Analyse: Speedup, Effizienz, Skalierbarkeit Grundlegende Techniken: SPMD paralleles Teilen-und-Herrschen kollektive Kommunikation Lastverteilung Konkrete Algorithmen (Beispiele) Kollektive Kommunikation (auch für große Datenmengen): Broadcast, Reduce, Präfixsummen, all-to-all exchange Matrizenrechnung Sortieren list ranking minimale Spannbäume Lastverteilung: Master Worker mit adaptiver Problemgröße, random polling, zufällige Verteilung Voraussetzungen: Empfehlungen: Kenntnisse aus der Vorlesungen wie Algorithmen I/II werden empfohlen. |
| Fachgebiete | Informatik (inf) (DDC 004) |
| DOI | 10.5445/DIVA/2017-C29 |
| Reichweite | Veröffentlichung im Internet |
Folgen 1 - 13