Linux高性能计算集群的设计与实现

计算机和网络硬件设备逐步实现商品化和标准化,PC机或工作站的性能越来越高而价格越来越便宜,同时开源Linux微内核及集群工具中间件技术也日趋成熟稳定,高性能计算集群逐渐发展起来,并成为主流的高性能计算平台。高性能计算集群逐渐替代专用、昂贵的超级计算机对大规模并行应用构建原型、调试和运行。基于PCs或工作站的高性能计算快速部署及其可靠性和可管理性研究,对高性能计算集群在科学研究和工程计算等领域的应用,促进高性能计算技术的应用方面具有深远的意义。本文以OSCAR集群为实例,部署一个五结点的集群环境并运行简单的并行测试例子。     

高性能计算集群的Linpack测试及其在大数据中的应用

高性能计算集群用于高效并行计算,具有很高的性价比和良好的可扩展性,如何测试和评价集群系统性能成为一个关键问题。本文基于6个节点的集群进行Linpack测试,测试不同问题规模、计算节点数、求解矩阵数据分块NB、处理器网格拓扑P×Q、网络通信等重要因素,将单机与集群的计算性能进行对比,测试集群性能,结果表明：该集群的并行计算性能良好,可扩展性强,但硬件通讯能力需进一步改善。应用该集群到实际的地震大数据计算中,该集群的并行计算能力得到了很大的提升。     

二维宏观拟颗粒并行模拟程序通信性能优化策略

随着粒子模拟并行计算在相关领域应用的不断深入和并行节点计算能力的不断增强,粒子模拟并行程序中通信耗时对整体性能的影响越来越显著,甚至成为主要性能瓶颈.本文在分析影响并行程序通信性能多种因素的基础上,从进程划分方式选择、通信协议优化的角度,对1个典型粒子模拟并行程序——二维宏观拟颗粒并行模拟程序在千兆以太网环境下的通信性能的优化策略进行了测试研究,通过改进并行进程划分方式,采用用户级通信协议等方法,使测试程序通信性能获得明显提高,进而提出了粒子模拟并行程序通信性能优化的思路和建议.     

大规模并行粒子模拟系统代码级优化研究与实现

粒子方法作为一种直观而且普适的模拟方法,在化工、材料、生物等领域应用愈加深入,其对计算机软硬件的要求亦越来越高,在原有的硬件设施上如何才能经济高效的实现性能的大幅度提升,成为目前粒子模拟研究人员所关注的问题之一.本文通过在多相复杂系统国家重点实验室高性能计算集群上进行大量的测试工作与分析,利用了多项技术,包括OpenMP、SSE等对大规模并行粒子模拟系统模拟程序代码层面进行优化,并对系统的未来进一步优化提出建议.     

服务核聚变研究领域的集群系统

在核聚变研究领域中,高性能集群的应用十分广泛.一方面需要借助集群进行高性能计算模拟托克马克中粒子的运动状态,另一方面需要存储大量十分珍贵的放电数据以作后续的数据分析.随着位于中国科学技术大学的大型反场箍缩磁约束聚变实验装置“Keda Torus eXperiment”（KTX）的建设取得重要进展,KTX实验室对于高性能计算以及实验数据存储具有高度的需求.因此,部署了一个高性能集群并对存储做出了安全设计.根据IOzone的测试,GPFS文件系统的冗余性机制发挥了作用,数据的读写性能很稳定.     

集群局域网内高性能通信协议的研究

集群已经成为了主流的并行计算平台,但集群计算系统的性能受限于互连通信的开销、延时和带宽。随着技术的不断改进,通信瓶颈从原来通信路径上的带宽转移到通信处理的软件开销。为了充分发挥硬件通信性能,作者提出、研究、设计和实现了局域网内高性能通信协议。该协议的突出特点是充分利用了集群局域网的高速高可靠特点,简化协议处理开销,达到通信的高效性;提出了数据合并的思想,能将大量的小消息合并成大消息传输,能充分提高传输性能。经测试,该协议的性能比传统TCP/IP协议有较大改进。     

基于MPICH2的高性能计算集群系统研究

目前在高等学校和科研机构中对于高性能计算的需求很大,而商业的超级计算机性能虽高但价格昂贵,同时这些单位又都拥有大量普通的PC机和网络设备.为了利用现有硬件资源获取高性能计算能力,文中研究了在PC机和Linux环境下构建基于MPICH2的高性能计算集群系统的方法,搭建了一个拥有16个节点的系统并利用高性能Linpack基准测试方法进行了性能测试.测试结果表明,这种构建高性能计算集群系统的方法切实可行,是低成本获取高性能计算能力的良好途径.     

民航气象数值预报系统高性能集群平台性能测试分析

利用高性能集群计算机进行气象数值预报计算,是提高预报准确率的有效途径,而对高性能集群的计算能力进行客观评估,是掌握设备性能、提高计算能力的基础,同时也对硬件选型、项目规划具有极大的参考价值。在现有的民航气象数值预报平台上,利用国际上最为流行的基准测试算法LINPACK,对平台的浮点计算能力进行了测试,评估了现有系统的性能,为进一步提高集群性能奠定基础。     

GRAPES_GFS四维变分同化预报系统应用特征分析

高性能计算被越来越广泛地应用到各个领域的大规模计算问题中,性能优化至关重要,而应用运行特征分析是确定性能瓶颈和优化方向的关键技术.以GRAPES_GFS为研究对象,提出一种快速分析应用运行特征的方法,准确提供F/M(浮点计算量与内存访问的比值)和F/C(浮点计算量与网络通信量的比值)等数值结果[1],通过定量数据确定应用类型.同时对主要并行模块进行函数级分析和不同进程比对,辅助专家准确定位模式运行特征,为进一步的源代码级性能优化确定修改方向,同时为应用的机群选型提供方案.     

面向网络通信的高实时压缩引擎设计

随着集成电路工艺的发展,高性能计算系统中互连网络性能提升速度远低于处理器性能的提升,互连网络带宽已成为制约高性能计算性能提高的瓶颈之一。从减少网络注入数据量的角度出发,对网络通信实时压缩技术进行了研究,给出了一种面向网络通信的硬件实时压缩引擎RTCE的设计,在网络通信过程中,硬件自动实现对网络包的压缩传输。采用SPEC2006、Graph500、CFD算法测试数据进行测试,压缩后的网络包数据量平均减少32.8%~48.7%。     

A high performance genetic algorithm using bacterial conjugation operator (HPGA)

In this paper an efficient evolutionary algorithm is proposed which could be applied to real-time problems such as robotics applications. The only parameter of the proposed algorithm is the “Population Size” which makes the proposed algorithm similar to parameter-less algorithms, and the only operator applied during the algorithm execution is the bacterial conjugation operator, which makes using and implementation of the proposed algorithm much easier. The procedure of the bacterial conjugation operator used in this algorithm is different from operators of the same name previously used in other evolutionary algorithms such as the pseudo bacterial genetic algorithm or the microbial genetic algorithm. For a collection of 23 benchmark functions and some other well-known optimization problems, the experimental results show that the proposed algorithm has better performance when compared to particle swarm optimization and a simple genetic algorithm.     

基于“新息误差”的粒子流滤波算法

在粒子滤波（PF）过程中存在粒子权值退化、维度灾难、计算成本高等问题。粒子流滤波通过构造对数同伦函数避免了粒子权值退化问题，但是在求解边值问题时过于依赖观测方程，当噪声较大时效果较差。针对上述问题，提出了一种改进的粒子流滤波算法。首先，该算法在粒子流动的过程中引入了一种“新息误差”结构，使每个粒子的更新相互独立；其次，利用Galerkin有限元法求得边值问题的数值解，从而消除了拟合样本先验可能导致的数值不稳定问题；最后，分别在通用非线性滤波模型和机动目标跟踪模型中对改进的算法进行了性能测试。仿真结果表明，改进的算法可以抑制系统对观测信息的依赖性，在噪声增大的情况下也能得到相对较好的结果，有效改善了滤波精度，而在多维目标跟踪情况下算法的计算效率与滤波精度高于标准粒子滤波。     

非线性动态加速系数对粒子群算法的影响

粒子群算法(PSO)中的加速系数影响着粒子的个体认知和群体认知,而传统算法中的加速系数一般取常量.据研究发现,粒子的个体认识和群体认识分别主导着粒子的全局搜索能力和局部搜索能力,提高粒子个体认识可以有效增强算法的全局搜索能力,而提高粒子的群体认识可以有效增强算法的局部搜索能力.为进一步研究加速系数对粒子群算法的影响,本...     

基于“新息误差”的粒子流滤波算法

在粒子滤波（PF）过程中存在粒子权值退化、维度灾难、计算成本高等问题。粒子流滤波通过构造对数同伦函数避免了粒子权值退化问题,但是在求解边值问题时过于依赖观测方程,当噪声较大时效果较差。针对上述问题,提出了一种改进的粒子流滤波算法。首先,该算法在粒子流动的过程中引入了一种“新息误差”结构,使每个粒子的更新相互独立;其次,利用Galerkin有限元法求得边值问题的数值解,从而消除了拟合样本先验可能导致的数值不稳定问题;最后,分别在通用非线性滤波模型和机动目标跟踪模型中对改进的算法进行了性能测试。仿真结果表明,改进的算法可以抑制系统对观测信息的依赖性,在噪声增大的情况下也能得到相对较好的结果,有效改善了滤波精度,而在多维目标跟踪情况下算法的计算效率与滤波精度高于标准粒子滤波。     

球粒子滤波视频跟踪算法

粒子退化现象是制约粒子滤波器性能的一个重要因素。为提高粒子采样质量和视频跟踪算法的精度,文中提出球粒子滤波视觉跟踪算法。将球状采样方式引入到粒子更新过程中较好地保证状态空间中粒子的有效性。与传统粒子滤波算法相比,这种采样方式能利用少量粒子实现分布多样性的同时,有效克服粒子退化现象。小球迭代运动可使粒子集朝较大后验概率分布区域移动。球粒子滤波算法不依赖系统状态模型特性可理想实现运动状态不规则的机动目标跟踪。实验结果表明,该算法有效提高粒子利用率,具有较好的跟踪精度。     

改进的部分分层式粒子滤波重采样算法

粒子滤波算法由于其处理非线性非高斯的能力优势,目前应用领域非常广泛。然而粒子滤波中存在的粒子退化、样贫等问题同样不容忽视,针对这些问题提出了一种改进的重采样粒子滤波算法。该方法借鉴了部分分层重采样和残差重采样的思路,通过对粒子权值大中小分类,在兼顾粒子多样性的情况下用不同策略分层次复制三个集合样本,从而优化了重采样算法。最后通过与经典粒子滤波重采样算法和其他部分重采样(PR)算法相比,以一维非线性跟踪模(UNG)和二维纯角度跟踪模型(BOT)两个模型的仿真结果验证了所提算法的滤波性能和有效性。     

Particle swarm optimization based clustering algorithm with mobile sink for WSNs

Wireless sensor networks with fixed sink node often suffer from hot spots problem since sensor nodes close to the sink usually have more traffic burden to forward during transmission process. Utilizing mobile sink has been shown as an effective technique to enhance the network performance such as energy efficiency, network lifetime, and latency, etc. In this paper, we propose a particle swarm optimization based clustering algorithm with mobile sink for wireless sensor network. In this algorithm, the virtual clustering technique is performed during routing process which makes use of the particle swarm optimization algorithm. The residual energy and position of the nodes are the primary parameters to select cluster head. The control strategy for mobile sink to collect data from cluster head is well designed. Extensive simulation results show that the energy consumption is much reduced, the network lifetime is prolonged, and the transmission delay is reduced in our proposed routing algorithm than some other popular routing algorithms.     

基于自适应变异的混沌粒子群优化算法

粒子群优化算法参数少,寻优速度快,但其寻优效率低且在寻优后期易早熟收敛。为改善其寻优性能,在标准粒子群优化算法中,通过引入混沌映射和自适应变异策略,提出具有自适应变异的混沌粒子群优化（ACPSO）算法,以增强种群的全局寻优性能和局部寻优效率。六个基准测试函数的仿真结果表明,ACPSO算法比已有的五个算法具有更好的寻优能力。     

交叉反向学习和同粒社会学习的粒子群优化算法

针对社会学习粒子群优化（SLPSO）算法存在的优化效率低、收敛速度慢等问题,提出了一种改进的SLPSO算法,即基于交叉反向学习和同粒社会学习的PSO算法（CPPSO）。首先,将最优解随机纵向交叉与一般反向学习以及随机反向学习构建交叉反向学习;然后,以此交叉反向学习策略更新种群中的最优粒子位置,增强探索能力,并克服SLPSO中最优粒子无更新导致效率低下的缺点;最后,对于非最优粒子,与SLPSO采用基于维的社会学习不同,均采用新型基于粒子的社会学习机制,在提高全局搜索能力同时,更提高开采能力和搜索效率。在一组不同维基准函数上优化的实验结果表明,CPPSO的优化性能、搜索效率和普适性大幅度领先于SLPSO和其他先进的PSO改进算法,如交叉搜索PSO （CSPSO）算法、自我调节的PSO （SRPSO）算法、异构综合学习的PSO （HCLPSO）算法和反向学习和局部学习能力的PSO （RLPSO）算法。     

用于前车追踪的多特征融合粒子滤波算法改进

基于特征融合的粒子滤波算法可以将多个不同的特征进行融合,增强跟踪系统鲁棒性,但是现有的算法存在着特征显著性差,算法实时性不强以及融合策略不具备通用性的缺点。针对上述问题提出了一种适用于前车追踪系统的改进融合算法,采用增强边缘信息的SULBP新特征,并通过自适应降维方法提升特征提取的实时性;利用粒子集的分布状态设计自适应融合算法解决了融合策略的通用性问题。实验结果表明,所提出的多特征融合粒子滤波算法在跟踪性能和算法实时性上均有显著地提升。