Hauptinhalt

CS 654 — Parallele und verteilte Algorithmen
(engl. Parallel and Distributed Algorithms)

Niveaustufe, VerpflichtungsgradVertiefungsmodul, Wahlpflichtmodul
Lehr- und Lernformen,
Arbeitsaufwand
Vorlesung (2 SWS), Übung (2 SWS).,
180 Stunden (60 Std. Präsenzzeit, 120 Std. Selbststudium)
Leistungspunkte,
Voraussetzungen zum Erwerb
6 LP
Studienleistung: Erreichen von mindestens 50 Prozent der Punkte aus den wöchentlich zu bearbeitenden Übungsaufgaben und mündliche Präsentation der Lösung von mindestens zwei der Übungsaufgaben.
Prüfungsleistung: Mündliche Prüfung oder Klausur
Sprache,
Benotung
Deutsch,
Die Benotung erfolgt mit 0 bis 15 Punkten gemäß der Prüfungsordnung für den Studiengang M.Sc. Data Science.
Dauer des Moduls,
Häufigkeit
Ein Semester,
Regelmäßig alle 3 bis 4 Semester
Modulverantwortliche(r)Prof. Dr. Rita Loogen

Inhalt

Nach einer Einführung in die Grundbegriffe der Parallelverarbeitung werden zunächst elementare parallele Algorithmen diskutiert. Anschließend werden parallele Algorithmen für verschiedene Problemklassen wie Sortieren, Matrizen-Operationen, Graphenverfahren behandelt. Außerdem werden verteilte Basisverfahren wie Schnappschussverfahren, Terminationserkennung, Garbage Collection und Verfahren für verteilte Probleme vorgestellt.

In den begleitenden Übungen sollen verschiedene Verfahren in C / MPI (PVM) und in Eden (paralleles Haskell) implementiert werden.


Qualifikationsziele

  • Erlernen und Einordnung verschiedener Grundmuster paralleler Verarbeitung
  • Gegenüberstellung verschiedener Verfahren zur parallelen Problemlösung
  • Erstellen von parallelen Programmen
  • Einüben wissenschaftlicher Arbeitsweisen (Erkennen, Formulieren, Lösen von Problemen, Schulung des Abstraktionsvermögens)
  • Training der mündlichen Kommunikationsfähigkeit in den Übungen durch Einüben der freien Rede vor einem Publikum und bei der Diskussion

Voraussetzungen

Keine. Empfohlen werden die Kompetenzen, die im Modul Algorithmen und Datenstrukturen vermittelt werden.


Verwendbarkeit

Importmodul aus dem M.Sc. Data Science.

Es kann im FB12 verwendet werden im Studiengang bzw. in den Studiengängen

  • B.Sc. Data Science
  • B.Sc. Informatik
  • M.Sc. Data Science
  • M.Sc. Informatik
  • M.Sc. Wirtschaftsinformatik

Im Studiengang M.Sc. Wirtschaftsinformatik kann das Modul im Studienbereich Informatik Vertiefung absolviert werden.


Literatur

  • Grama, A. Gupta, G. Karypis, V. Kumar: Introduction to Parallel Computing, Pearson Education, 2003.
  • Joseph Jaja: An Introduction to Parallel Algorithms, Addison Wesley 1992
  • Gibbons, W. Rytter: Efficient Parallel Algorithms, Cambridge University Press 1988
  • M. Quinn: Parallel Programming in C with MPI and OpenMP, Mc Graw Hill 2003



Bitte beachten Sie:

Diese Seite beschreibt ein Modul gemäß dem im Wintersemester 2016/17 aktuellsten gültigen Modulhandbuch. Die meisten für ein Modul gültigen Regeln werden nicht durch die Prüfungsordnung festgelegt, und können daher von Semester zu Semester aktualisiert werden. Folgende Versionen liegen im Online-Modulhandbuch vor:

Das Modulhandbuch enthält alle Module, unabhängig vom aktuellen Veranstaltungsangebot, vergleichen Sie dazu bitte das aktuelle Vorlesungsverzeichnis in Marvin.

Die Angaben im Online-Modulhandbuch wurden automatisch erstellt. Rechtsverbindlich sind die Angaben der Prüfungsordnung. Wenn Ihnen Unstimmigkeiten oder Fehler auffallen, sind wir für Hinweise dankbar.