颈动脉斑块的形成与复杂的血流动力学因素密切相关，血液流动状况的精确模拟对颈动脉斑块的临床诊断具有重要意义。为了精确模拟脉动流场，在格子Boltzmann方法（LBM）的基础上，添加大涡模拟（LES）模型，建立了LBM-LES颈动脉模拟算法。利用医学图像重构软件，建立颈动脉狭窄真实几何模型，对颈动脉狭窄脉动流动进行了数值模拟，通过计算血液流动速度、壁面剪切应力（WSS）等，得出了有意义的流动结果，验证了LBM-LES对颈动脉狭窄后段血液流动研究的有效性。基于OpenMP编程环境，在高性能集群机全互联胖节点上进行了千万量级网格的并行计算，结果表明LBM-LES颈动脉模拟算法具有较好的并行性能。

Graphlet Degree Vector （GDV）是一种研究生物网络的重要方法，能揭示生物网络中各节点与其局部网络结构的相关性，但随着需要挖掘的自同构轨道数量的增加以及生物网络规模的增大，GDV方法的时间复杂度会呈指数级增长。针对这个问题，在现有串行GDV方法的基础上，实现了基于消息传递接口（MPI）的GDV方法并行化；此外又将GDV方法进行了改进并将改进后的方法实现了并行优化，改进后的方法在寻找不同节点自同构轨道的过程中优化了计算过程以解决重复计算的问题，同时结合负载均衡策略合理分配任务。模拟网络数据和真实生物网络数据上的实验结果表明，并行化的GDV方法与改进后的并行化GDV方法都具有较好的并行性能，并且对不同类型不同规模的网络都具有较强的适用性，扩展性强，可有效地保持寻找网络中自同构轨道的高效率。

目前很多的社交网络研究都是采用国外的平台数据,而国内的新浪微博没有很好的接口方便研究人员采集数据进行分析。为了快速地获取到微博中的数据,开发了一款支持并行的微博数据抓取工具。该工具可以实时抓取微博中指定用户的粉丝信息、微博正文等内容;该工具利用关键字匹配技术,匹配符合规定条件的微博,并抓取相关内容;该工具支持并行抓取,可以同时抓取多个用户的信息。最后将串行微博爬虫工具和其并行版本进行对比,并使用该工具对部分微博数据作了一个关于流感问题的分析。实验结果显示:并行爬虫拥有较好的加速比,可以快速地获取数据,并且这些数据具有实时性和准确性。

为有效降低生物网络比对算法的时间复杂度,提出一种基于可扩展的蛋白质相互作用网络比对(SPINAL)算法的消息传递接口(MPI)并行化实现方法。该方法将MPI并行化思想运用在SPINAL算法中,在多核环境中采用并行排序代替算法原本的排序方式,并结合负载均衡策略合理分配任务。实验结果表明,与未使用并行排序以及负载均衡策略相比,该方法在处理大规模生物网络比对时能有效地缩短计算时间,提高运算效率,对于不同组比对数据都有较为稳定的优化保障,具有良好的可扩展性。