本地资源组

《风险-收益分析：理性投资的理论与实践（第2卷）》本地资源组,页面无弹窗的全文阅读!

刚才所讨论的是已经在很大程度上做了并行化处理的用户进程例子。也有用户进程没有经过并行化处理，但它们无疑是可并行化的。

假设有人希望计算大约109个数的各种统计量，比如极小值、极大值、和、平均值和标准差。一个可能的例子是某种证券逐笔交易数据的长序列（显然，如果一种证券的统计量计算可以并行化，那么作为推论，任意数量证券的统计量计算也可并行化）。进一步假设有关的计算系统像大脑一样能够将它的资源组织成许多我所谓的本地资源组（local resource groups，LRG）。在大脑的情形中，一个例子是神经资源，后者以某种方式记住了青少年棒球赛事件，并指定一个“代理人”在相关的时候为之发声。对于一个容易并行化的计算系统，可以设想一个（在容量上，而不一定是在空间上）巨大的由记忆、计算和通信元素组成的数组，并设想这些元素的一个本地资源组能够基于某个目的（在逻辑上）进行划分。该LRG具有强大的计算、存储和通信能力，或许堪比今天廉价的个人电脑。（划分后）就可得到大量的LRG。

将多少这样的LRG指定给某个重大任务这一问题的最优解取决于各种成本，但为了举例，假设一个合理的解是让104个LRG充当代理人，它们中的每一个都负责105个数字。为求和，每个代理人都会被要求加总其105个数字，并将这些部分和传递给更高层计算总和。平均数（算术平均数）通过求和以及对所涉及数字的个数进行计数而得到。几何平均数通过计算对数平均数，然后取反对数而得到；方差通过计算平方的平均数，然后利用公式

Variance=（Avg.square）-（Squared avg.）

计算得到。标准差为方差的平方根。

一般而言，这一方法适用于任何“结合律运算”。例如，总和是对部分和求和。类似地，整个集合的最大值，是极大值中的最大值。一组矩阵的乘积，等于它的子集的乘积。最后一个例子与前面的例子的区别在于，矩阵相乘满足结合律，但不一定满足交换律。因此，更高层次的代理人必须知道所报告的矩阵乘积是矩阵以怎样的顺序相乘得到的。

利用排序集通常可以迅速地组织数据。IBM EAS-E通过将大型排序集分解为多个子集，并可能将这些子集进一步分解为子集的子集，来有效存取它们。这种集合/子集结构的各个部分很自然地被指派给不同的LRG。这有助于前述的统计量计算和实现快速存取。