کتاب صوتی تجزیه LU پراکنده موازی مقیاس‌پذیر بر روی چندپردازنده‌های حافظه اشتراکی: از تئوری تا پیاده‌سازی عملی

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب تجزیه LU پراکنده موازی مقیاس‌پذیر بر روی چندپردازنده‌های حافظه اشتراکی: از تئوری تا پیاده‌سازی عملی

موضوع کلی: محاسبات موازی و توزیع شده

موضوع میانی: الگوریتم‌های تجزیه ماتریسی موازی و مقیاس‌پذیر

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر محاسبات موازی و توزیع شده
• 2. مفاهیم کلیدی محاسبات موازی
• 3. انواع معماری‌های موازی
• 4. معماری حافظه اشتراکی
• 5. معماری حافظه توزیع شده
• 6. معماری هیبرید
• 7. سخت‌افزارهای موازی نوین
• 8. چالش‌های برنامه‌نویسی موازی
• 9. مفاهیم توازن بار (Load Balancing)
• 10. همگام‌سازی (Synchronization)
• 11. ارتباطات (Communication)
• 12. تکنیک‌های موازی‌سازی
• 13. موازی‌سازی داده (Data Parallelism)
• 14. موازی‌سازی وظیفه (Task Parallelism)
• 15. پیاده‌سازی موازی با OpenMP
• 16. مفاهیم رشته (Thread) و فرآیند (Process)
• 17. مدیریت رشته‌ها
• 18. همگام‌سازی در OpenMP
• 19. انواع قفل‌ها (Locks)
• 20. موانع (Barriers)
• 21. متغیرهای شرطی (Condition Variables)
• 22. کتابخانه‌های موازی‌سازی
• 23. MPI (Message Passing Interface)
• 24. مقدمات MPI
• 25. ارسال و دریافت پیام
• 26. تک‌گستری (Broadcasting)
• 27. کاهش (Reduction)
• 28. جمع‌آوری (Gather) و پخش (Scatter)
• 29. مقدمه‌ای بر تجزیه ماتریسی
• 30. تجزیه LU ماتریس متراکم (Dense Matrix LU Decomposition)
• 31. کاربرد تجزیه LU
• 32. پیاده‌سازی ترتیبی تجزیه LU
• 33. تعیین پیچیدگی زمانی تجزیه LU
• 34. مقدمه‌ای بر ماتریس‌های پراکنده (Sparse Matrices)
• 35. نمایش ماتریس‌های پراکنده
• 36. قالب ذخیره‌سازی CSR (Compressed Sparse Row)
• 37. قالب ذخیره‌سازی CSC (Compressed Sparse Column)
• 38. قالب ذخیره‌سازی COO (Coordinate List)
• 39. کاربرد ماتریس‌های پراکنده
• 40. مزایای استفاده از ماتریس‌های پراکنده
• 41. مقدمه‌ای بر تجزیه LU پراکنده
• 42. چالش‌های تجزیه LU پراکنده
• 43. اعداد مجازی (Fill-in) در تجزیه LU پراکنده
• 44. اهمیت کاهش اعداد مجازی
• 45. روش‌های مرتب‌سازی (Ordering) برای کاهش اعداد مجازی
• 46. مرتب‌سازی طبیعی (Natural Ordering)
• 47. مرتب‌سازی Min-degree
• 48. مرتب‌سازی AMD (Approximate Minimum Degree)
• 49. مرتب‌سازی Pord (Nested Dissection)
• 50. مرتب‌سازی Sloan
• 51. مقدمه‌ای بر الگوریتم‌های تجزیه LU موازی
• 52. مشکلات موازی‌سازی تجزیه LU پراکنده
• 53. موازی‌سازی گام‌های فاکتورگیری (Factoring Steps)
• 54. مدیریت وابستگی‌های داده‌ای (Data Dependencies)
• 55. موازی‌سازی بر اساس ستون (Column-based Parallel LU)
• 56. موازی‌سازی بر اساس سطر (Row-based Parallel LU)
• 57. موازی‌سازی بر اساس بلوک (Block-based Parallel LU)
• 58. الگوریتم‌های موازی برای ماتریس‌های پراکنده
• 59. الگوریتم‌های مبتنی بر نمودار (Graph-based Algorithms)
• 60. نمودار تشکیل‌دهنده (Elimination Tree)
• 61. الگوریتم‌های مبتنی بر سلسله مراتب (Hierarchical Algorithms)
• 62. موازی‌سازی بر روی معماری حافظه اشتراکی
• 63. استفاده از OpenMP برای تجزیه LU پراکنده
• 64. مدیریت اشتراک‌گذاری داده‌ها
• 65. همگام‌سازی رشته‌ها در طول فاکتورگیری
• 66. بهینه‌سازی دسترسی به حافظه (Memory Access Optimization)
• 67. کاهش کش‌مس (Cache Misses)
• 68. مدیریت حافظه اشتراکی (Shared Memory Management)
• 69. تکنیک‌های موازی‌سازی پیشرفته برای تجزیه LU
• 70. پیاده‌سازی موازی الگوریتم‌های مرتب‌سازی
• 71. تقسیم کار (Work Distribution) در فاکتورگیری
• 72. الگوریتم‌های موازی مقیاس‌پذیر
• 73. مفهوم مقیاس‌پذیری (Scalability)
• 74. انواع مقیاس‌پذیری (Strong vs. Weak Scalability)
• 75. اهمیت مقیاس‌پذیری در سیستم‌های بزرگ
• 76. چالش‌های مقیاس‌پذیری در تجزیه LU پراکنده
• 77. استراتژی‌های بهبود مقیاس‌پذیری
• 78. کاهش سربار ارتباطات (Communication Overhead)
• 79. مدیریت عدم توازن بار (Load Imbalance)
• 80. تکنیک‌های پارتیشن‌بندی (Partitioning Techniques)
• 81. پارتیشن‌بندی نمودار (Graph Partitioning)
• 82. پارتیشن‌بندی ماتریس (Matrix Partitioning)
• 83. تحلیل عملکرد (Performance Analysis)
• 84. معیارهای سنجش عملکرد
• 85. اندازه‌گیری زمان اجرا
• 86. اندازه‌گیری استفاده از منابع (CPU, Memory)
• 87. مشخصه‌یابی (Profiling) کد موازی
• 88. ابزارهای تحلیل عملکرد
• 89. مطالعه موردی: پیاده‌سازی یک الگوریتم موازی تجزیه LU
• 90. انتخاب یک الگوریتم خاص (مثلاً مبتنی بر Min-degree)
• 91. پیاده‌سازی موازی با OpenMP
• 92. تست و ارزیابی عملکرد
• 93. مقایسه با پیاده‌سازی ترتیبی
• 94. بهینه‌سازی بیشتر کد موازی
• 95. استراتژی‌های پیشرفته برای حافظه اشتراکی
• 96. موازی‌سازی با استفاده از NUMA (Non-Uniform Memory Access)
• 97. بهینه‌سازی برایNUMA
• 98. استفاده از سخت‌افزارهای تسریع‌کننده (Accelerators)
• 99. پردازشگرهای گرافیکی (GPUs)
• 100. مقدمه‌ای بر محاسبات موازی بر روی GPU