আমি আপনাদের সাথে সম্মত হই যে দক্ষ সমান্তরাল অ্যালগরিদমগুলিকে চিহ্নিত করার জন্য সর্বোত্তম উপায় নয়।NC
প্রকৃতপক্ষে, সংজ্ঞা অনুসারে এনসি-তে প্রচুর সমস্যাও রয়েছে যা দক্ষতার সাথে সমান্তরাল নয় not একটি সাধারণ উদাহরণ সমান্তরাল বাইনারি অনুসন্ধান। সমস্যা দেখা দেয় কারণ সমান্তরাল বাইনারি অনুসন্ধানে জন্য পলিওগারিদমিক সময় জটিলতা রয়েছে । সবচেয়ে খারাপ ক্ষেত্রে সর্বাধিক লগারিদমিক সময়ে যে অনুক্রমের আলগোরিদিম প্রয়োজন হয় তা সমান্তরাল সম্ভাব্যতা নির্বিশেষে এন সি-তে থাকে ।p=1NC
তবে অপেক্ষা করুন, আরো আছে।
অ্যালগরিদমগুলি বহু-বহুসংখ্যক প্রসেসরের সমান্তরাল মেশিনগুলিকে বহুগঠিত সময়ের মাঝারি আকারের সমস্যাগুলি সমাধান করার জন্য ধরে নেয়। তবে, অনুশীলনে আমরাবড়সমস্যাগুলিসমাধান করার জন্য মাঝারি আকারের মেশিনগুলি (প্রসেসরের শর্তে) ব্যবহার করি। প্রসেসরের সংখ্যা উপ-বহুবচন এমনকি এমনকি সাবলাইনার হতে থাকে।NC
অবশেষে, সেখানে সমস্যা আছে sublinear সমান্তরাল সময়ের সাথে সাথে হে ( ঢ ε ) , 0 < ε < 1 .Therefore এই সমস্যাগুলি অন্তর্গত না এন সি । এখন, সাবলাইনার ফাংশনগুলিতে কেবল এন এর ব্যবহারিকভাবে বড় মানের জন্য একটি প্রাসঙ্গিক অ্যাসিম্পটোটিক আচরণ থাকতে পারে এবং এর পরিবর্তে এন এর ব্যবহারিক মানগুলির জন্য অনেক কম প্রগতিশীল হতে পারে । উদাহরণ হিসাবে, √PO(nϵ),0<ϵ<1NCnnজন্যএন≤0.5×109। এটি অনুসরণ করে যে সাবলাইনার সমান্তরাল সময়ের অ্যালগরিদমগুলিএনসিঅ্যালগরিদমেরচেয়ে দ্রুত চলতেপারে।n−−√<lg3nn≤0.5×109NC
উত্তরের একটিতে এটি পর্যবেক্ষণ করা হয়েছে যে "অনুশীলনে, এর অর্থ ইনপুট আকার বাড়ার সাথে সাথে আমরা আরও বেশি স্মৃতিযুক্ত একটি কম্পিউটার প্রস্তুত করতে পারি, যা আমরা সাধারণত আসল বিশ্বে কম্পিউটারগুলি ব্যবহার করি N সমান্তরাল গণনা "।
আমি এই দৃষ্টিভঙ্গির সাথে আংশিকভাবে একমত আমরা যখন পুরানো সুপার কম্পিউটারটি ডিসমোশন করা হয় তখন আরও মেমরির সাথে একটি নতুন সমান্তরাল কম্পিউটার কিনি কারণ ডিআরএএম চিপগুলি সময়মতো কম ব্যয় হয় এবং এর প্রধান উপাদানগুলি (প্রসেসর, মেমরি, আন্তঃসংযোগ ইত্যাদি) সম্পর্কিত সমান্তরাল কম্পিউটারের ভারসাম্য বজায় রাখার জন্য।
তবে, স্মৃতি যেহেতু একটি সীমাবদ্ধ সম্পদ, তাই কোনও সমস্যার বৃহত্তর উদাহরণগুলি সমাধানের জন্য একটি সুপার কম্পিউটারে আরও মেমরি যুক্ত করার প্রয়োজন ছাড়াই এটিকে দক্ষতার সাথে ব্যবহার করার বিষয়ে প্রচুর গবেষণা হয়েছে। উদাহরণস্বরূপ, সান এবং নী মেমরি-সীমাবদ্ধ গতিরোধের ধারণাটি প্রস্তাব করেছিল, এবং কুইন তথাকথিত স্কেলাবিলিটি ফাংশনটির প্রস্তাব করেছিলেন যা কার্যক্ষমতার একটি ধ্রুবক স্তর বজায় রাখতে প্রসেসরের প্রতি মেমরির পরিমাণ কীভাবে বাড়াতে হবে তা পরিমাপ করে। সাধারণভাবে, যেহেতু সমান্তরাল ওভারহেড বৃদ্ধি পায় যখন প্রসেসরের সংখ্যা বৃদ্ধি পায়, তাই সমস্যার সমাধানের আকারটি বাড়িয়ে আমরা দক্ষতা বজায় রাখি। কিন্তু সর্বোচ্চ সমস্যা আকার প্রধান মেমরি (পরিমাণ যা রৈখিক হয় দ্বারা সীমাবদ্ধ p)। স্কেলাবিলিটি ফাংশনটি আইসোফিসিয়েন্সি ফাংশন এবং অন্য একটি ফাংশন ব্যবহার করে যা প্রসেসরের প্রতি মেমরির পরিমাণ কীভাবে বৃদ্ধি পেতে হবে তা নির্ধারণ করতে আকার এর একটি সমস্যা সঞ্চয় করতে প্রয়োজনীয় মেমরির পরিমাণ বোঝায় । যখন এই ফাংশনটি একটি ধ্রুবক হয়, সমান্তরাল অ্যালগরিদম পুরোপুরি স্কেলেবল হয় (মেমরির দৃষ্টিভঙ্গির ব্যবহার থেকে)। স্মৃতি উপলব্ধ থাকলেও সমস্যার আকার বাড়িয়ে একই স্তরের দক্ষতা বজায় রাখা সম্ভব। যাইহোক, যেহেতু প্রসেসরের প্রতি ব্যবহৃত মেমরি পি এর সাথে রৈখিকভাবে বৃদ্ধি পায় , এক পর্যায়ে এই মানটি সিস্টেমের মেমরির ক্ষমতাতে পৌঁছে যাবে। প্রসেসরের সংখ্যা এই বিন্দু ছাড়িয়ে গেলে দক্ষতা বজায় রাখা যায় না।np
সুতরাং, মেমোরি স্কেলেবল সমান্তরাল অ্যালগরিদমগুলি ডিজাইন করা ক্রমশ গুরুত্বপূর্ণ, যেহেতু এগুলি বড় সমস্যার জন্য ব্যবহারিক।
n3n