Авторы

Совместное использование технологий OpenMP и MPI на узлах вычислительного кластера

Данная работа посвящена проблеме реализации эффективной параллельной программы, решающей поставленную задачу с использованием максимально доступного количества ресурсов вычислительного кластера, с целью получения соответствующего выигрыша в производительности по отношению к последовательной версии алгоритма. Основная цель работы заключалась в исследовании возможностей совместного использования технологий распараллеливания OpenMP и MPI с учетом характеристик и особенностей решаемых задач для повышения производительности выполнения параллельных алгоритмов и программ на вычислительном кластере. В статье проведен краткий обзор подходов к вычислению функции трудоемкости для последовательных программ. Для определения трудоемкости параллельных программ в работе был использован подход на основе пооперационного анализа. Описаны особенности технологий распараллеливания последовательных программ OpenMP и MPI. Приведены основные программно-аппаратные факторы, влияющие на скорость выполнения параллельных программ на узлах вычислительного кластера. Основное внимание в работе уделено исследованию влияния на производительность соотношения количества вычислительных и обменных операций в программе. Для реализации исследований были разработаны тестовые параллельные OpenMP- и MPI-программы, в которых задается общее количество операций и соотношение между вычислительными и обменными операциями; также в тестовых программах был предусмотрен замер времени их выполнения. В качестве программно-аппаратной платформы был использован вычислительный кластер, состоящий из нескольких узлов. Проведенные экспериментальные исследования позволили подтвердить эффективность гибридной модели параллельной программы в многоузловых системах с разнородной памятью с использованием OpenMP в подсистемах с общей памятью, а MPI – в подсистеме с распределенной памятью. Читать дальше...

Гибридная интеллектуальная система машинного обучения для моделирования процессов обработки фосфатного рудного сырья

Представлены результаты исследования, целью которого являлось создание интеллектуальной системы машинного обучения для моделирования процессов агломерации шихты при обработке фосфатного рудного сырья. Актуальность исследования обоснована необходимостью совершенствования информационного обеспечения процессов управления технологическими системами в условиях цифровой трансформации производственной среды, проводимой в рамках четвертой промышленной революции и характеризуемой массовым внедрением индустриального Интернета вещей, что приводит к лавинообразному увеличению объемов технологических данных. Их обработка современными методами анализа, в том числе методами искусственного интеллекта, способна повысить качество принимаемых решений и обеспечить конкурентные преимущества. Научную новизну результатов исследования составляет структура предложенной гибридной интеллектуальной системы машинного обучения для моделирования процессов обработки фосфатного рудного сырья, в основе которой лежит совместное применение динамической модели агломерационного процесса в среде Simulink и глубокой нейронной сети. Архитектура нейронной сети разработана с учетом специфики математического описания процесса агломерации и включает входные полносвязные слои, принимающие результаты измерений переменных технологического процесса, а также рекуррентный слой, обрабатывающий объеденную последовательность с выходов полносвязных слоев. Интеграция Simulink-модели и глубокой нейронной сети делает возможным быструю адаптацию интеллектуальной системы под конкретную агломерационную машину за счет применения двухэтапной процедуры машинного обучения: сначала на имитационной модели Simulink, а затем на реальном объекте. Учитывая значительную инерционность процессов, сопровождающих агломерацию, такой подход обеспечивает оперативное изменение настройки гибридной интеллектуальной системы машинного обучения под новый состав сырья и технологические параметры. Разработана программа, предоставляющая удобный графический интерфейс для подготовки и применения интеллектуальной системы, а проведенные имитационные эксперименты показали, что процесс ее дообучения под новые технологические параметры проходит значительно быстрее первичного обучения при сохранении высокой точности получаемых результатов моделирования. Читать дальше...