效益
工作效率高
能实现对蒙特卡罗算法和有限差分算法的强力、灵活和有效率的并行计算，简化计算集群上的工作分配
节省时间
让开发人员可以集中精力在核心功能的研发上，缩短整个开发周期
系统可靠
特别采用了金融和工程领域中最常用的数值计算方法
节省计算资源
高度集成和有效的远程控制
专业团队
由多位在高性能计算领域拥有超过10年经验的专家研发
产品可持续
强大的售后技术支持
特色
简化计算机集群上的C/C++程序设计
若要将传统串行程序设计有效地移植到计算机集群上，要解决很多进程间同步与数据交换的烦琐问题。CPE为客户提供一套规范的平台，针对数据在计算机集群上的统一处理，隐藏进程间同步和通信操作等细节，让编程员可以集中精力在核心功能的研发上，缩短整个开发周期。
提高计算机集群上的资源分享
CPE专有的ParaConnect技术，能让用户通过局域网或互联网，安全透明地遥距操作在计算机集群上的应用程序。CPE也整合了包括PBS Professional 和Windows HPC Server 在内的集群资源管理系统，使用户间能更有效益地共用计算机集群上的资源。
批量作业自动分发
并行应用中一个常见案例是分发批量作业给集群以提升该应用运算速度。使用CPE的工作分配（Job Distribution，JD）库，开发者可以用最少的时间得到最高的效率，快速准确地将作业分发给集群执行。 CPE的JD库的重要特色在于它能做到极好的容错性和动态均衡，进而确保并行程序的健壮性。
专为蒙特卡罗算法和有限差分方法优化的算法库
蒙特卡罗（Monte Carlo，MC) 和有限差分（Finite Difference，FD)方法是金融工程领域中两个最常用的数值计算方法。两个都是计算量很大的算法，均可用集群大幅提升其运算速度。 CPE提供专为MC和FD方法优化过的算法库。它们将极大缩短并行代码开发周期，还可进一步提高现有程序的并行化程度。
核心模块
蒙特卡罗（Monte Carlo，简称MC）算法库全力协助MC模拟程序的开发和移植。用户只需在蒙特卡罗模拟程序中提供生成一个路径的代码，并在多个采样、统计合并和终止策略中轻松选择即可。蒙特卡罗算法库还高效支持对偶变量、拟蒙特卡罗模拟、美式期权、路径保存等运算处理。绝大多数蒙特卡罗应用程序的运行速度均可做到线性缩放。
有限差分算法库全力协助有限差分代码的开发和移植，用以解决线性同构偏微分方程（PDE）的初始值问题。采用声明式而非命令式编程，用户只需以函数对象方式提供偏微分方程，可完全摆脱处理矩阵操作的痛苦。有限差分算法库高效支持隐式、显式、克朗可-尼科尔森（Crank-Nicholson）和交替方向隐式（ADI）方法的四种变型。此外，除了支持方案定制，有限差分算法还提供标准的边界条件和标准的离散化方案。这些方案的实现均支持并行计算。
邮件联系 :
查询热线 :
