زمان بندی مجموعه ای از ماشین های موازی که در یک محیط هستند، هم از نظر تئوری و هم از نظر کاربردی مهم است. از نظر تئوری، تعمیم مساله ی زمان بندی یک ماشین است و از نظر کاربردی صحت منابع موازی در جهان واقعی می باشد. وقتی ماشین ها، کامپیوتر باشند یک برنامه ی موازی نیاز است زیرا اعضای مجموعه به طور موازی اجرا می شوند و این اجرا بر اساس ارتباطات تقدمی آن ها است. مزیت اجرای زمان بندی وظایف، قدرت محاسباتی کامل را فراهم می کند که به وسیله ی سیستم چندپردازنده یا چندکامپیوتری به دست می آید. در این مقاله نشان می دهیم مساله ی تخصیص تعدادی وظایف ناهمسان در سیستم های چندپردازنده یا چندکامپیوتری چگونه است. مدل فرضی سیستم شامل تعدادی پردازنده ی همسان است و در یک زمان، فقط یک وظیفه، روی یک پردازنده اجرا می شود و نیز همه ی زمان بندی ها و وظایف، غیرانحصاری هستند.

اسکلتهای الگوریتمی به عنوان شیوه ای برای برنامه نویسی موازی در سالهای اخیر مورد توجه محققان قرار گرفته است. با استفاده از این شیوه، برنامه نویس میتواند با بهره گیری از یک سری الگوهای پیش ساخته، الگوریتم خود را پیاده سازی کند. در این مقاله مجموعه ای از الگوهای پیش ساخته با الهام از این شیوه برای پیاده سازی الگوریتمهای ژنتیکی موازی طراحی شده است. برای هر یک از الگوهای پیشنهادی، مدل کارایی محاسبه شده است. برنامه نویس با استفاده از این مدل، قادر به مقایسه الگوها و انتخاب بهترین الگو برای کاربرد مورد نظرش است. ضمنا برنامه نویس میتواند در هر الگو توپولوژی مجازی پردازشها را تعیین کند.این عمل ضمن افزایش کارایی الگو، کار جدیدی در تحقیقات اسکلتهای الگوریتیم است. از دیگر دستاوردهای این تحقیق قابلیت ترکیب الگوهاست که تنها درمعدودی از تحقیقات قبلی دیده شده است.

الگوریتم غذایابی باکتری یکی از الگوریتم های بهینه سازی مبتنی بر جمعیت است که برای حل مسایل جستجو در شاخه های مختلف علوم استفاده می شود. یکی از مواردی که امروزه مورد توجه قرار گرفته است قابلیت اجرای موازی الگوریتم های بهینه سازی مبتنی بر جمعیت در پردازنده های گرافیکی است. با توجه به سرعت پایین الگوریتم بهینه سازی غذایابی باکتری در مواجهه با مسایل پیچیده و همچنین عدم توانایی حل مسایل با ابعاد بزرگ توسط این الگوریتم، اجرای آن بر روی پردازنده های گرافیکی یک راه حل مناسب برای پوشش نقاط ضعف این الگوریتم می باشد. در این نوشته ما یک نسخه موازی از الگوریتم بهینه سازی غذایابی باکتری ارائه دادیم که قابلیت اجرا در پردازنده های گرافیکی و با استفاده از طراحی کودا را دارد. همچنین کارایی این الگوریتم را با استفاده از تعدادی از مسایل شناخته شده بهینه سازی در مقایسه با الگوریتم استاندارد بهینه سازی غذایابی باکتری مورد ارزیابی قرار دادیم. نتایج نشان می دهد که الگوریتم موازی غذایابی باکتری نسبت به الگوریتم استاندارد غذایابی باکتری دارای سرعت و کارایی بالاتری می باشد.

مدل نگاشت-کاهش یک مدل برای اجرای برنامه های کاربردی داده های بزرگ می باشد. همچنین این مدل، یک مدل برنامه نویسی موازی برای نوشتن برنامه هایی می باشد که می توانند بر روی ابر اجرا شوند. سازمان ها بطور فزاینده ای در حال تولید داده هستند که حاصل فرایندهای کسب وکار، فعالیت های کاربران، ردیابی وب سایت ها، حسگرها، مالی، حسابداری و غیره تولید می شوند. الگوریتم های خوشه بندی داده، به عنوان ابزاری برای تجزیه و تحلیل حجم زیاد داده به کار می روند. هدف اصلی این الگوریتم ها، این است که داده ها را در خوشه هایی دسته بندی کنند، و اشیای داده در هر خوشه با یکدیگر شباهت دارند. در این مقاله، الگوریتم خوشه بندی سلسله مراتبی متراکم که یکی از تکنیک های داده کاوی می باشد با استفاده از طراحی نگاشت و کاهش پیاده سازی شده و سپس نتایج این الگوریتم با حالت بدون نگاشت و کاهش مورد مقایسه قرار می گیرد. آزمایش های انجام شده نشان می دهد با افزایش اندازه داده های ورودی، زمان اجرا کاهش می یابد. زمان اجرای الگوریتم به روش موازی نسبت به روش ترتیبی برای مجموعه داده ای به اندازه 200 شی داده، 16. 80% و برای مجموعه داده ای به اندازه 1000 شی داده، 29. 26% بهبود یافت. همچنین درصد استفاده از پردازنده کل سیستم در روش موازی از 22% به 94% ارتقاء یافت.