Классификация алгоритмов

Задачи, методы, алгоритмы и реализации сгруппированы по разделам. Нажмите на треугольник, чтобы раскрыть ветвь; название со ссылкой открывает статью.

Задача Метод Алгоритм РеализацияОб уровнях классификацииАрхитектура со * есть у вложенной записи; без * — назначена самой записи. Тире — данных нет.

Ничего не найдено. Попробуйте другое название или снимите фильтры.

СодержаниеGPUMPPSMPVEC

▸Задачи алгебры————

▸Матричные и векторные операции————

▸Векторные операции————

▸Суммирование сдваиванием————

▸Нахождение суммы элементов массива сдваиванием————

·Pairwise summation of numbers, locality————

·Pairwise summation of numbers, scalability————

·Нахождение частных сумм элементов массива сдваиванием————

▸Равномерная норма вектора, вещественная версия, последовательно-параллельный вариант————

·Uniform norm of a vector, locality————

▸Скалярное произведение векторов, вещественная версия, последовательно-параллельный вариант————

·Dot product, locality————

·Dot product, scalability————

▸Последовательно-параллельный метод суммирования————

·The serial-parallel summation method, locality————

·The serial-parallel summation method, scalability————

▸Умножения матриц на вектор————

▸Умножения неособенных матриц на вектор————

▸Умножение плотной неособенной матрицы на вектор (последовательный вещественный вариант)————

·Dense matrix-vector multiplication, locality————

·Dense matrix-vector multiplication, scalability————

▸Умножения матриц специального вида на вектор————

▸Преобразование Фурье————

▸Быстрое преобразование Фурье для составной размерности————

·Быстрое преобразование Фурье для составной размерности с небольшими простыми делителями (2,3,5,7)————

▸Быстрое преобразование Фурье для степеней двойки————

·Быстрое преобразование Фурье для чётных степеней двойки————

▸Простой алгоритм Кули-Тьюки быстрого преобразования Фурье для степеней двойки————

·Cooley-Tukey, locality————

·Cooley-Tukey, scalability————

·Быстрое преобразование Фурье для простой размерности————

▸Матричные операции————

▸Умножение плотных матриц————

·Метод Штрассена————

▸Простой алгоритм Кули-Тьюки быстрого преобразования Фурье для степеней двойки————

·Cooley-Tukey, locality————

·Cooley-Tukey, scalability————

▸Перемножение плотных неособенных матриц (последовательный вещественный вариант)————

·Dense matrix multiplication, locality————

·Dense matrix multiplication, scalability————

▸Разложения матриц————

·Известные треугольные разложения для матриц специального вида————

▸Разложения с использованием унитарных преобразований, не содержащие матриц, подобной исходной————

▸Разложения на две унитарные и одну двухдиагональную матрицы————

·Метод Гивенса (вращений) приведения матрицы к двухдиагональной форме————

▸Метод Хаусхолдера (отражений) приведения матрицы к двухдиагональной форме————

·Householder (reflections) reduction of a matrix to bidiagonal form, locality————

·Householder (reflections) reduction of a matrix to bidiagonal form, SCALAPACK————

▸Разложения на две унитарные и одну диагональную матрицы————

▸Сингулярное разложение (нахождение сингулярных значений и векторов)————

▸Методы нахождения сингулярных чисел двухдиагональных матриц————

▸Алгоритм dqds нахождения сингулярных чисел двухдиагональной матрицы————

▸Итерация алгоритма dqds————

·One step of the dqds, LAPACK————

·QR-алгоритм в приложении к сингулярному разложению————

▸Метод Якоби (вращений) для нахождения сингулярных значений неособенных матриц————

·Метод Якоби (вращений) для нахождения сингулярных значений с циклическим перебором————

·Метод Якоби для нахождения сингулярных значений со специальным подбором вращений————

·Задача разложения матриц————

▸Треугольные разложения————

▸Метод Гаусса (нахождение LU-разложения)————

▸LU-разложение методом Гаусса без перестановок————

▸Компактная схема метода Гаусса и её модификации————

·Компактная схема метода Гаусса для плотной матрицы————

▸Компактная схема метода Гаусса для трёхдиагональной матрицы и её модификации————

·Последовательно-параллельный алгоритм для LU-разложения трёхдиагональной матрицы————

·Компактная схема метода Гаусса для трёхдиагональной матрицы, последовательный вариант————

·Алгоритм сдваивания Стоуна для LU-разложения трёхдиагональной матрицы————

▸LU-разложение методом Гаусса————

·LU decomposition via Gaussian elimination, locality————

·LU decomposition via Gaussian elimination, scalability————

▸LU-разложение методом Гаусса с перестановками————

·LU-разложение методом Гаусса с выбором ведущего элемента по столбцу————

·LU-разложение методом Гаусса с выбором ведущего элемента по строке————

·LU-разложение методом Гаусса с выбором ведущего элемента по главной диагонали————

·LU-разложение методом Гаусса с выбором ведущего элемента по всей матрице————

▸Метод Холецкого (нахождение симметричного треугольного разложения)————

▸Разложение Холецкого (метод квадратного корня)————

·Cholesky decomposition, locality————

·Cholesky decomposition, SCALAPACK————

·Cholesky decomposition, scalability————

▸Унитарно-треугольные разложения————

▸QR-разложения плотных неособенных матриц————

▸Метод Гивенса (вращений) QR-разложения матрицы————

▸Метод Гивенса (вращений) QR-разложения квадратной матрицы (вещественный точечный вариант)————

·Givens method, locality————

▸Метод Хаусхолдера (отражений) QR-разложения матрицы————

▸Метод Хаусхолдера (отражений) QR-разложения квадратной матрицы, вещественный точечный вариант————

·Householder (reflections) method for the QR decomposition, locality————

·Householder (reflections) method for the QR decomposition, SCALAPACK————

▸Метод ортогонализации————

·Классический метод ортогонализации————

·Метод ортогонализации с переортогонализацией————

·Метод треугольного разложения матрицы Грама————

▸Методы QR-разложения плотных хессенберговых матриц————

·Метод Гивенса (вращений) QR-разложения хессенберговой матрицы (вещественный вариант)————

·Метод Хаусхолдера (отражений) QR-разложения хессенберговой матрицы (вещественный вариант)————

▸Разложения, содержащие матрицу, подобную исходной————

▸Разложения, содержащие хессенбергову матрицу, унитарно подобную исходной————

▸Метод Гивенса (вращений) приведения матрицы к хессенберговой (почти треугольной) форме————

·Классический точечный метод Гивенса (вращений) приведения матрицы к хессенберговой (почти треугольной) форме————

▸Метод Хаусхолдера (отражений) приведения матрицы к хессенберговой (почти треугольной) форме————

·Классический точечный метод Хаусхолдера (отражений) приведения матрицы к хессенберговой (почти треугольной) форме————

▸Разложения, содержащие трёхдиагональную матрицу, унитарно подобную исходной————

▸Метод Хаусхолдера (отражений) приведения к трёхдиагональному виду————

▸Метод Хаусхолдера (отражений) для приведения симметричных матриц к трёхдиагональному виду————

·Householder (reflections) method for reducing a symmetric matrix to tridiagonal form, locality————

·Householder (reflections) method for reducing a symmetric matrix to tridiagonal form, SCALAPACK————

·Метод Хаусхолдера (отражений) для приведения комплексных эрмитовых матриц к трёхдиагональному симметричному виду————

·Метод Гивенса (вращений) приведения матрицы к трёхдиагональной форме————

▸Спектральное разложение (нахождение собственных значений и векторов)————

▸Метод Ланцоша————

▸Алгоритм Ланцоша для точной арифметики (без переортогонализации)————

·Lanczos, MPI, OpenMP————

·Lanczos, C++, MPI————

·Lanczos, C++, MPI, 2————

·Lanczos, C, MPI————

·Lanczos, C++, MPI, 3————

▸QR-алгоритм————

▸QR-алгоритм, используемый в SCALAPACK————

·Классический точечный метод Хаусхолдера (отражений) приведения матрицы к хессенберговой (почти треугольной) форме————

·QR-алгоритм для хессенберговой матрицы, используемый в SCALAPACK————

▸QR-алгоритм для симметричных матриц, используемый в SCALAPACK————

·QR-алгоритм для симметричных трёхдиагональных матриц, используемый в SCALAPACK————

▸Метод Хаусхолдера (отражений) для приведения симметричных матриц к трёхдиагональному виду————

·Householder (reflections) method for reducing a symmetric matrix to tridiagonal form, locality————

·Householder (reflections) method for reducing a symmetric matrix to tridiagonal form, SCALAPACK————

▸QR-алгоритм для комплексных эрмитовых матриц, используемый в SCALAPACK————

·QR-алгоритм для симметричных трёхдиагональных матриц, используемый в SCALAPACK————

·Метод Хаусхолдера (отражений) для приведения комплексных эрмитовых матриц к трёхдиагональному симметричному виду————

▸Метод Якоби (вращений) для решения спектральной задачи у симметричных матриц————

·Классический метод Якоби (вращений) для симметричных матриц с выбором по всей матрице————

·Метод Якоби (вращений) для симметричных матриц с циклическим исключением————

·Метод Якоби (вращений) для симметричных матриц с циклическим исключением и барьерами————

▸Решение систем линейных уравнений————

▸Прямые методы решения СЛАУ————

▸Методы решения СЛАУ с матрицами специального вида————

▸Методы решения СЛАУ с треугольными матрицами————

▸Методы решения СЛАУ с двудиагональными матрицами————

·Прямая и обратная подстановка в СЛАУ с двухдиагональной матрицей————

·Последовательно-параллельный вариант обратной подстановки————

·Метод сдваивания Стоуна для решения двудиагональных СЛАУ————

·Прямая подстановка (вещественный вариант)————

▸Обратная подстановка (вещественный вариант)————

·Backward substitution, locality————

·Backward substitution, scalability————

▸Методы решения СЛАУ с блочно-треугольными матрицами————

·Блочная прямая подстановка————

·Блочная обратная подстановка————

▸Методы решения СЛАУ с блочно-двухдиагональными матрицами————

·Прямая и обратная подстановка в СЛАУ с блочно-двухдиагональной матрицей————

·Метод сдваивания Стоуна для решения блочно-двухдиагональных СЛАУ————

·Блочный последовательно-параллельный вариант обратной подстановки для решения блочно-двухдиагональных СЛАУ————

▸Методы решения СЛАУ с блочно-трёхдиагональными матрицами————

▸Методы, основанные на стандартном LU-разложении матрицы————

·Блочный последовательно-параллельный вариант решения с LU-разложением и обратными подстановками————

·Блочная прогонка————

▸Другие методы————

·Блочный метод циклической редукции————

·Блочный метод окаймления————

·Встречная прогонка, блочный вариант————

▸Методы решения СЛАУ с трёхдиагональными матрицами————

▸Методы, основанные на стандартном LU-разложении матрицы————

▸Прогонка————

▸Прогонка, точечный вариант————

·Thomas, locality————

▸Классическая монотонная прогонка, повторный вариант————

·Repeated Thomas, locality————

▸Метод сдваивания Стоуна————

·Алгоритм сдваивания Стоуна для LU-разложения трёхдиагональной матрицы————

·Метод сдваивания Стоуна для решения двудиагональных СЛАУ————

·Последовательно-параллельный вариант решения трёхдиагональной СЛАУ с LU-разложением и обратными подстановками————

▸Другие методы————

▸Метод редукции————

·Полный метод редукции————

·Повторный метод редукции для новой правой части————

▸Встречная прогонка————

▸Встречная прогонка, точечный вариант————

·Two-sided Thomas, locality————

▸Повторная встречная прогонка, точечный вариант————

·Repeated two-sided Thomas, locality————

▸Метод циклической редукции————

·Повторный метод циклической редукции для новой правой части————

▸Полный метод циклической редукции————

·Complete cyclic reduction, locality————

·Complete cyclic reduction, scalability————

·Метод окаймления————

·Решения СЛАУ с матрицами специального вида, имеющими известные обратные матрицы————

▸Linpack benchmark————

·Linpack, locality————

·Linpack, HPL————

▸Итерационные методы решения СЛАУ————

▸High Performance Conjugate Gradient (HPCG) benchmark————

·HPCG, locality————

·HPCG, scalability————

▸Стабилизированный метод бисопряженных градиентов (BiCGStab)————

·BiCGStab, MIT————

·BiCGStab, HYPRE————

·BiCGStab, NVIDIA AmgX————

▸Алгоритм Качмажа————

·Kaczmarz's, MATLAB1————

·Kaczmarz's, MATLAB2————

·Kaczmarz's, MATLAB3————

▸Решения спектральных задач————

▸Частичная спектральная задача————

·Метод бисекций————

▸Спектральное разложение (нахождение собственных значений и векторов)————

▸Метод Ланцоша————

▸Алгоритм Ланцоша для точной арифметики (без переортогонализации)————

·Lanczos, MPI, OpenMP————

·Lanczos, C++, MPI————

·Lanczos, C++, MPI, 2————

·Lanczos, C, MPI————

·Lanczos, C++, MPI, 3————

▸QR-алгоритм————

▸QR-алгоритм, используемый в SCALAPACK————

·Классический точечный метод Хаусхолдера (отражений) приведения матрицы к хессенберговой (почти треугольной) форме————

·QR-алгоритм для хессенберговой матрицы, используемый в SCALAPACK————

▸QR-алгоритм для симметричных матриц, используемый в SCALAPACK————

·QR-алгоритм для симметричных трёхдиагональных матриц, используемый в SCALAPACK————

▸Метод Хаусхолдера (отражений) для приведения симметричных матриц к трёхдиагональному виду————

·Householder (reflections) method for reducing a symmetric matrix to tridiagonal form, locality————

·Householder (reflections) method for reducing a symmetric matrix to tridiagonal form, SCALAPACK————

▸QR-алгоритм для комплексных эрмитовых матриц, используемый в SCALAPACK————

·QR-алгоритм для симметричных трёхдиагональных матриц, используемый в SCALAPACK————

·Метод Хаусхолдера (отражений) для приведения комплексных эрмитовых матриц к трёхдиагональному симметричному виду————

▸Метод Якоби (вращений) для решения спектральной задачи у симметричных матриц————

·Классический метод Якоби (вращений) для симметричных матриц с выбором по всей матрице————

·Метод Якоби (вращений) для симметричных матриц с циклическим исключением————

·Метод Якоби (вращений) для симметричных матриц с циклическим исключением и барьерами————

▸Сингулярное разложение (нахождение сингулярных значений и векторов)————

▸Методы нахождения сингулярных чисел двухдиагональных матриц————

▸Алгоритм dqds нахождения сингулярных чисел двухдиагональной матрицы————

▸Итерация алгоритма dqds————

·One step of the dqds, LAPACK————

·QR-алгоритм в приложении к сингулярному разложению————

▸Метод Якоби (вращений) для нахождения сингулярных значений неособенных матриц————

·Метод Якоби (вращений) для нахождения сингулярных значений с циклическим перебором————

·Метод Якоби для нахождения сингулярных значений со специальным подбором вращений————

▸Алгебра многочленов————

▸Схема Горнера, вещественная версия, последовательный вариант————

·Horners, locality————

▸Алгоритмы на списках и массивахGPU*MPP*SMP*—

▸Алгоритмы поиска————

·Линейный поиск————

▸Двоичный поиск————

·Binary search, locality————

·Binary search, С————

·Binary search, C++————

·Binary search, Java————

·Binary search, .NET Framework 2.0————

·Binary search, Python————

▸Алгоритмы сортировки————

·Сортировка с помощью двоичного дерева————

·Сортировка пузырьком————

·Сортировка слиянием (последовательный и параллельный варианты)————

▸Алгоритмы на графахGPU*MPP*SMP*—

▸Обход графаGPU*MPP*SMP*—

▸Поиск в ширину (BFS)GPUMPPSMP—

·BFS, MPI, Graph500————

·BFS, RCC for CPU————

·BFS, RCC for GPU————

·BFS, C++, Boost Graph Library————

·BFS, C++, MPI, Boost Graph Library————

·BFS, GAP————

·BFS, Java, WebGraph————

·BFS, Ligra————

·BFS, Python, NetworkX————

·BFS, Python/C++, NetworKit————

·BFS, VGL————

▸Поиск в глубину (DFS)————

·DFS, C++, Boost Graph Library————

·DFS, C++, MPI, Parallel Boost Graph Library————

·DFS, Python, NetworkX————

·Вычисление центральности вершин————

▸Поиск кратчайшего пути от одной вершины (SSSP)GPU*MPP*SMP*—

▸Поиск в ширину (BFS)GPUMPPSMP—

·BFS, MPI, Graph500————

·BFS, RCC for CPU————

·BFS, RCC for GPU————

·BFS, C++, Boost Graph Library————

·BFS, C++, MPI, Boost Graph Library————

·BFS, GAP————

·BFS, Java, WebGraph————

·BFS, Ligra————

·BFS, Python, NetworkX————

·BFS, Python/C++, NetworKit————

·BFS, VGL————

▸Алгоритм Дейкстры————

·Dijkstra, C++, Boost Graph Library————

·Dijkstra, C++, MPI: Parallel Boost Graph Library, 1————

·Dijkstra, C++, MPI: Parallel Boost Graph Library, 2————

·Dijkstra, Python————

·Dijkstra, Python/C++————

·Dijkstra, locality————

·Dijkstra, Google————

·Dijkstra, VGL, push————

·Dijkstra, VGL, pull————

▸Алгоритм Беллмана-Форда————

·Bellman-Ford, C++, Boost Graph Library————

·Bellman-Ford, Python, NetworkX————

·Bellman-Ford, Java, JGraphT————

·Bellman-Ford, OpenMP, Stinger————

·Bellman-Ford, Nvidia nvGraph————

·Bellman-Ford, MPI, Graph500————

·Bellman-Ford, Ligra————

·Bellman-Ford, locality————

·Bellman-Ford, scalability————

▸Алгоритм Δ-шагания————

·Δ-stepping, C++, MPI, Parallel Boost Graph Library————

·Δ-stepping, Gap————

▸Поиск кратчайшего пути для всех пар вершин (APSP)————

▸Алгоритм Джонсона————

·Johnson's, C++, Boost Graph Library————

▸Алгоритм Флойда-Уоршелла————

·Floyd-Warshall, C++, Boost Graph Library————

·Floyd-Warshall, Python, NetworkX————

·Floyd-Warshall, Java, JGraphT————

·Floyd-Warshall, scalability————

▸Поиск транзитивного замыкания орграфа————

▸Алгоритм Пурдома————

·Purdom's, Boost Graph Library————

▸Построение минимального остовного дерева (MST)————

▸Алгоритм Борувки————

·Boruvka's, C++, MPI, Parallel Boost Graph Library————

·Boruvka's, RCC for CPU————

·Boruvka's, RCC for GPU————

·Boruvka's, scalability————

·Boruvka's, locality————

▸Алгоритм Крускала————

·Kruskal's, C++, Boost Graph Library————

·Kruskal's, C++, MPI, Parallel Boost Graph Library————

·Kruskal's, Python, NetworkX————

·Kruskal's, Java, JGraphT————

▸Алгоритм Прима————

·Prim's, C++, Boost Graph Library————

·Prim's, Java, JGraphT————

·Алгоритм GHS————

▸Поиск изоморфных подграфов————

▸Алгоритм Ульмана————

·Ullman's, C++, Chemical Descriptors Library————

·Ullman's, C++, VF Library————

▸Алгоритм VF2————

·VF2, C++, VF Library————

·VF2, C++, Boost Graph Library————

·VF2, Python, NetworkX————

▸Связность в графах————

·Алгоритм Шилоаха-Вишкина поиска компонент связности————

▸Система непересекающихся множеств————

·Disjoint set union, Boost Graph Library————

·Disjoint set union, Java, JGraphT————

▸Алгоритм Тарьяна поиска компонент сильной связности————

·Tarjan's strongly connected components, C++, Boost Graph Library————

·Tarjan's strongly connected components, Java, WebGraph————

·Tarjan's strongly connected components, Java, JGraphT————

·Tarjan's strongly connected components, Python, NetworkX————

·Tarjan's strongly connected components, Python/C++, NetworKit————

▸Алгоритм DCSC поиска компонент сильной связности————

·DCSC for finding the strongly connected components, C++, MPI, Parallel Boost Graph Library————

▸Алгоритм Тарьяна поиска компонент двусвязности————

·Tarjan's biconnected components, C++, Boost Graph Library————

·Tarjan's biconnected components, Python, NetworkX————

·Tarjan's biconnected components, Java, JGraphT————

▸Алгоритм Тарьяна-Вишкина поиска компонент двусвязности————

·Tarjan-Vishkin biconnected components, scalability————

·Алгоритм Тарьяна поиска «мостов» в графе————

·Определение вершинной связности графа————

·Алгоритм Габова определения рёберной связности графа————

▸Поиск максимального потока в транспортной сети————

▸Алгоритм Форда-Фалкерсона————

·Ford–Fulkerson, C++, Boost Graph Library————

·Ford–Fulkerson, Python, NetworkX————

·Ford–Fulkerson, Java, JGraphT————

▸Алгоритм проталкивания предпотока————

·Preflow-Push, C++, Boost Graph Library————

·Preflow-Push, Python, NetworkX————

·Поиск потока минимальной стоимости в транспортной сети————

▸Задача о назначениях————

▸Венгерский алгоритм————

·Hungarian, Java, JGraphT————

·Алгоритм аукциона————

▸Алгоритм Гопкрофта-Карпа————

·Hopcroft–Karp, Java, JGraphT————

▸Определение диаметра графа————

·Longest shortest path, Java, WebGraph————

·Longest shortest path, Python/C++, NetworKit————

▸Вычислительная геометрия————

·Поиск диаметра множества точек————

·Построение выпуклой оболочки набора точек————

·Триангуляция Делоне————

·Диаграмма Вороного————

·Принадлежность точки многоугольнику————

·Пересечения выпуклых многоугольников————

·Пересечение звёздных многоугольников————

▸Компьютерная графика————

·Алгоритмы построения отрезка - алгоритмы для аппроксимации отрезка на дискретной графической поверхности————

·Алгоритм определения видимых частей трёхмерной сцены————

·Трассировка лучей - рендеринг реалистичных изображений————

·Глобальное освещение - рассматривает прямое освещение и отражение от других объектов————

▸Исследование и моделирование компьютеров————

▸Тесты производительности компьютеров————

▸Linpack benchmark————

·Linpack, locality————

·Linpack, HPL————

▸High Performance Conjugate Gradient (HPCG) benchmark————

·HPCG, locality————

·HPCG, scalability————

▸Алгоритмы моделирования квантовых систем————

▸Алгоритмы моделирования квантовых вычислений————

·Моделирование квантового преобразования Фурье————

▸Однокубитное преобразование вектора-состояния————

·Single-qubit transform of a state vector, locality————

·Single-qubit transform of a state vector, scalability————

·Двухкубитное преобразование вектора-состояния————

▸Алгоритмы машинного обучения————

▸Нейронные сети————

▸Распознавание образов————

·Распознавание текста————

·Распознавание речи————

▸Распознавание лиц————

·Face recognition, scalability————

·Алгоритмы теории игр————

▸Алгоритм k средних (k-means)————

·K-means clustering, scalability1————

·K-means clustering, scalability2————

·K-means clustering, scalability3————

·K-means clustering, scalability4————

·K-means clustering, CrimeStat————

·K-means clustering, Julia————

·K-means clustering, Apache Mahout————

·K-means clustering, Octave————

·K-means clustering, Spark————

·K-means clustering, Weka————

·K-means clustering, Accord.NET————

·K-means clustering, OpenCV————

·K-means clustering, MLPACK————

·K-means clustering, SciPy————

·K-means clustering, scikit-learn————

·K-means clustering, R————

·K-means clustering, ELKI————

·K-means clustering, Ayasdi————

·K-means clustering, Stata————

·K-means clustering, Mathematica————

·K-means clustering, MATLAB————

·K-means clustering, SAS————

·K-means clustering, RapidMiner————

·K-means clustering, SAP HANA————

·K-means clustering, Torch————

▸Прикладные задачи из разных областей————

▸Алгоритмы оптимизации————

·Линейное программирование————

·Симплекс-метод————

·Метод ветвей и границ————

·Генетические алгоритмы————

·Муравьиные алгоритмы————

·Комбинированные алгоритмы————

▸Стохастическое двойственное динамическое программирование (SDDP)————

·SDDP, scalability————

▸Решение систем нелинейных уравнений————

▸Метод Ньютона для систем нелинейных уравнений————

·Newton's method for systems of nonlinear equations, scalability1————

·Newton's method for systems of nonlinear equations, scalability2————

·Newton's method for systems of nonlinear equations, scalability3————

·Newton's method for systems of nonlinear equations, scalability4————

·Newton's method for systems of nonlinear equations, ALIAS C++————

·Newton's method for systems of nonlinear equations, Numerical Recipes————

·Newton's method for systems of nonlinear equations, Sundials————

·Newton's method for systems of nonlinear equations, Numerical Mathematics - NewtonLib————

·Newton's method for systems of nonlinear equations, PETSc————

·Newton's method for systems of nonlinear equations, parallel1————

·Newton's method for systems of nonlinear equations, parallel2————

·Newton's method for systems of nonlinear equations, parallel3————

▸Численные методы интегрирования————

·Квадратурные формулы————

▸Квадратурные (кубатурные) методы численного интегрирования по отрезку (многомерному кубу)————

·Numerical quadrature (cubature) rules on an interval (for a multidimensional cube), scalability————

▸Алгоритмы решения уравнений математической физики————

▸Уравнение Пуассона, решение дискретным преобразованием Фурье————

·Poisson equation, solving with DFT, locality————

·Poisson equation, solving with DFT, scalability————

·Poisson equation, solving with DFT, FFTW————

·Poisson equation, solving with DFT, FFTE————

·Poisson equation, solving with DFT, P3DFFT————

·Poisson equation, solving with DFT, cuFFT————

·Poisson equation, solving with DFT, AccFFT————

·Poisson equation, solving with DFT, MKL FFT————

·Poisson equation, solving with DFT, PFFT————

▸Алгоритмы на Интернет-страницах————

▸Ранжирование Интернет-страниц————

▸HITS (Hyperlink Induced Topic Search)————

·HITS, VGL————

▸PageRank————

·PageRank, VGL————

▸Криптографические алгоритмы————

▸Метод встречи посередине————

·Meet-in-the-middle attack, scalability————

·Meet-in-the-middle attack, implementation1————

·Meet-in-the-middle attack, implementation2————

·Meet-in-the-middle attack, implementation3————

·Другие алгоритмы————