Algorithm 什么算法具有高时间复杂度，以帮助；“燃烧”；更多的CPU周期？

我正在尝试为嵌入式处理器编写一个演示，它是一个多核架构，浮点计算速度非常快。问题是，我目前使用的硬件是通过评估板连接的处理器，其中DRAM到芯片的速率有些有限，而板到PC的速率非常慢且效率低下

因此，在演示大型矩阵乘法时，我可以在几毫秒内完成128x128个矩阵，但I/O需要（很多）秒才能完成演示

因此，我正在寻找一种比n^3复杂度更高的计算，越复杂越好（但最好易于编程和解释/理解），以使计算部分在时间预算中更占主导地位，其中数据集最好绑定到每个线程（核心）约16KB

有什么建议吗

附言：我认为它在本质上与问题非常相似。

你能做的是

声明int的std:：vector

用

N-1

到

0

现在继续重复使用std:：next_置换，直到它们再次排序，即next_置换返回false

对于

N

整数，这将需要

O（N！）

计算和确定性

您可以做的是

声明int的std:：vector

用

N-1

到

0

现在继续重复使用std:：next_置换，直到它们再次排序，即next_置换返回false

---

使用

N

整数，这将需要

O（N！）

计算和确定性

您可以生成大的（256位）数字并将其因子化；这通常用于“压力测试”工具中。如果你特别想进行浮点计算，你可以用龙格-库塔积分器构建一个基本的n体模拟器，然后运行它。

你可以生成大的（256位）数并将其因子化；这通常用于“压力测试”工具中。如果您特别想进行浮点计算，您可以使用Runge-Kutta积分器构建一个基本的n体模拟器并运行它。

一种方法是在某些M空间（M>1）中实现旅行商问题的蛮力解算器

蛮力解决方案是只尝试每一种可能的排列，然后计算每一种排列的总距离，而不进行任何优化（不包括像记忆这样的动态编程技巧）

对于N个点，有（N！）个置换（冗余因子至少为（N-1），但请记住，没有优化）。每对点需要（M）减法、（M）乘法和一个平方根运算来确定它们之间的勾股线距离。每个排列都有（N-1）对点要计算并添加到总距离中

所以计算的顺序是O（M（（N+1）！），而存储空间只有O（N）

---

此外，这也不应该太难，也不应该太密集，无法跨核心并行，尽管它确实会带来一些开销。（如果需要的话，我可以演示。）

一种方法是在一些M空间（M>1）中实现旅行商问题的蛮力解算器

蛮力解决方案是只尝试每一种可能的排列，然后计算每一种排列的总距离，而不进行任何优化（不包括像记忆这样的动态编程技巧）

对于N个点，有（N！）个置换（冗余因子至少为（N-1），但请记住，没有优化）。每对点需要（M）减法、（M）乘法和一个平方根运算来确定它们之间的勾股线距离。每个排列都有（N-1）对点要计算并添加到总距离中

所以计算的顺序是O（M（（N+1）！），而存储空间只有O（N）

---

此外，这也不应该太难，也不应该太密集，无法跨核心并行，尽管它确实会带来一些开销。（如果需要，我可以演示）。

可能很适合。作为一个线性代数问题，人们反复地对某个大小可控的浮点矩阵求平方，直到收敛。在图形隐喻中，一个“涟漪”变化进入每个节点到其他边上。两种治疗方法都可以平行进行。

可能很适合。作为一个线性代数问题，人们反复地对某个大小可控的浮点矩阵求平方，直到收敛。在图形隐喻中，一个“涟漪”变化进入每个节点到其他边上。两种处理方法都可以平行进行。

您可以进行最小修剪平方拟合。它的一个用途是识别数据集中的异常值。例如，您可以从某个平滑函数（比如多项式）生成样本，并向某些样本添加（大）噪声，然后问题是找到给定大小样本的子集H，该子集使残差平方和最小化（对于拟合到H中样本的多项式）。因为有很多这样的子集，你有很多适合做！例如，有一些近似算法。

您可以进行最小二乘拟合。它的一个用途是识别数据集中的异常值。例如，您可以从某个平滑函数（比如多项式）生成样本，并向某些样本添加（大）噪声，然后问题是找到给定大小样本的子集H，该子集使残差平方和最小化（对于拟合到H中样本的多项式）。因为有很多这样的子集，你有很多适合做！例如，有一些近似算法。

另一个想法可能是计算分形地图。基本上，选择任意维度的网格。然后，对每个网格点进行分形