HYPO-MPC est un projet visant à optimiser les paramètres hyper d'un système de contrôle prédictif de modèle (MPC) à l'aide de l'algorithme NSGA-II. L'objectif est de trouver des valeurs optimales pour les paramètres MPC, tels que l'horizon de temps, le coefficient de vitesse et gamma, pour améliorer les performances du système de contrôle.

Le projet swh-perfecthash est dédié à la génération de fonctions de hachage performantes, permettant un accès optimisé à de grands ensembles de données. Il met en œuvre des algorithmes de hachage spécifiques pour offrir des performances accrues lors de la recherche et du traitement de données.

Le projet bb-lossy est un outil d'analyse et d'optimisation de flux de données dans les réseaux. Il permet de détecter les goulots d'étranglement, d'analyser les performances et de modéliser le trafic réseau. Grâce à ses algorithmes avancés, il fournit des informations détaillées sur les flux de données et aide à identifier les axes d'amélioration.

Ce projet gère des structures de données complexes, offrant une optimisation des performances algorithmiques et une implémentation de méthodes de tri et de recherche efficaces.

KaStORS est un projet dédié à l'optimisation des performances de calculs parallèles, en particulier pour les algorithmes de calcul scientifique. Il inclut des fonctionnalités de vérification de la compatibilité des compilateurs avec OpenMP et de benchmarking de performances.

Le projet rkcl-osqp-solver fournit une implémentation du solveur d'optimisation sous contraintes quadratiques (QP) OSQP, optimisée pour les systèmes de contrôle en temps réel. Il offre une interface facile à utiliser pour intégrer le solveur dans des applications de contrôle, améliorant ainsi les performances de calcul et la précision des algorithmes d'optimisation.

Implémentation en Python3 de l'algorithme CVT-MAP-Elites, permettant l'optimisation de performances de systèmes et la recherche de solutions dans des espaces complexes grâce à une visualisation de données multidimensionnelles. Utilisé dans le domaine de la recherche et du développement en intelligence artificielle.

ClusterShell est une bibliothèque Python open source événementielle, conçue pour exécuter des commandes localement ou à distance en parallèle sur des fermes de serveurs ou sur de grands clusters Linux. Elle prend en charge les problèmes courants rencontrés dans les clusters haute performance, tels que l'exécution de commandes distribuées à l'aide d'algorithmes d'exécution optimisés, la collecte de résultats et la fusion des sorties identiques, ou la récupération des codes de retour.

Le projet h2p3s est un solveur hybride hautes performances utilisant Python. Il permet de résoudre des problèmes complexes en optimisant les performances grâce à des algorithmes sophistiqués et des méthodes de calcul parallèles.

Le projet locality-aware-scheduling vise à optimiser la planification de tâches parallèles en prenant en compte la localité des données dans les calculs distribués. Il s'appuie sur les bibliothèques Starpu et Simgrid pour fournir des algorithmes de planification performants et adaptés aux architectures de calcul modernes.