CC BY
100
УДК 681.324
-
РАЗРАБОТКА МЕТОДА РЕШЕНИЯ СЛОЖНЫХ ВЫЧИСЛИТЕЛЬНЫХ ЗАДАЧ НА БАЗЕ СПЕЦИАЛИЗИРОВАННЫХ ВЫЧИСЛИТЕЛЬНЫХ
СИСТЕМ
Работа посвящена созданию высокопроизводительной системы для решения задач , , предложен метод, представленный в виде модели, для полноценного расчета всех характеристик системы, определения ее структуры, оптимальной для решения конкретной зада. , реализации в рамках данной концепции высока.
Высокопроизводительные системы; специализированные вычислительные системы;
, ; ; -; ; .
Al-Hanani Murad Abdullah Ahmad
DEVELOPMENT THE METHOD FOR THE DECISION OF DIFFICULT COMPUTING PROBLEMS ON THE BASIS OF SPECIALIZED COMPUTING
SYSTEMS
The given work is devoted questions of high-efficiency systems construction for difficult processes in technical systems modeling, and also for the decision of challenges of digital signals processing on the basis of computing clusters, consisting of several "layers". The structure of such system consisting of two backbone networks: a leading high layer on the basis of modern PC and the carried on low layer, realized as a set of Analog Device corporation hardware accelerators, also connected among themselves in a network at the level is offered. The obtained data allow to judge that efficiency of multiprocessing realization within the limits of the given concept is high.
High-efficiency system; specialized computing systems; luster systems; heterogeneous structure; multilayered cluster; the problem-oriented kernels; the signal processors; parallel systems.
В современной науке моделирование используется как метод познания сути физических объектов, процессов и явлений. Сложность объектов исследования .
исследования. В связи с этим, в настоящее время продолжается и является актуальной работа по разработке и совершенствованию методов моделирования и проведения вспомогательных расчетов, связанных с обработкой специфических данных особыми методами, выходящими за рамки обычных математических моделей объектов и систем разного рода.
, , -да задач является компьютерное моделирование, позволяющее изучать объект интереса без его физической реализации, исследовать его критические режимы работы и состояния, а также проводить съем данных и их последующий анализ в условиях, непригодных и небезопасных для человека-исследователя.
Рост сложности моделируемых объектов требует разработки и постоянного совершенствования соответствующих вычислительных средств, способных обеспечить расчет моделей. Кроме того, большое количество компонент моделей, их ,
элементов моделируемых систем делает невозможной ручную обработку данных, приводит к сложности и нецелесообразности использования единого вычислительного и аппаратного базиса для просчета всех узлов.
Все это приводит к необходимости разработки аппаратно-программного комплекса, способного решать задачи моделирования сложных процессов и сис-, -.
В данной статье отражена концепция системы, позволяющей проводить процесс моделирования на параллельных структурах с оптимизацией вычислительного процесса на уровне организации процесса вычислений и на уровне архитектурных и операционных особенностей аппаратного базиса с многоуровневым пред, .
Средства моделирования функционируют в основном в пределах одной фи,
и являясь однодисциплинарными. В данном случае такая система является жестко ориентированной и направлена на решение одной, частной задачи в пределах оп-.
частичная реконфигурация программной и/или аппаратной составляющей. Муль-тидисциплинарные средства моделирования в этом отношении являются более
, -шают более широкий класс задач.
Поддержка многомашинных или многопроцессорных вычислительных систем является востребованным свойством системы моделирования при моделировании сложных технических объектов и систем. Для этого в управляющей системе моделирования необходимо предусмотреть методы и средства распараллеливания задачи и контроля за исполнением вычислительных алгоритмов на отдельных узлах и для всей системы в целом.
Существует достаточно большое число вариантов аппаратных средств моделирующих систем: аналоговые, цифровые и гибридные [1]. Подавляющее большинство систем базируются на ЭВМ цифрового типа и построены по следующим :
♦ одиночный поток команд и одиночный поток данных - 818Б (однопроцессорные последовательные компьютеры с микропроцессорами общего или
, -вательно друг за другом и каждая команда инициирует одну операцию с одним потоком данных);
♦ одиночный поток команд и множественный поток данных - 81МБ (в таких системах единое управляющее устройство контролирует множество про, -
ства управления в каждый фиксированный момент времени одинаковую
);
♦ множественный поток команд и одиночный поток данных - М18Б -М1МБ (подр^умевает наличие в архитектуре многих процессоров, обрабатывающих один и тот же поток данных, к данному классу также относят
);
♦ множественный поток команд и множественный поток данных (этот класс
, -
,
со своим потоком команд и данных; делится на 3 подкласса: симметричные , - ).
Последний вариант организации аппаратных средств моделирующей системы является наиболее подходящим, так как обеспечивает большую гибкость и более широкие возможности по сравнению с остальными, сохраняя баланс сложности (цены) и предоставляемых исследователю возможностей. Такая организация
близка по идеологии к массово-парадлельным и кластерным системам, в которых вычислительные узла объединены в некоторую коммуникативную структуру или сеть определенной или изменяемой топологии, с доступом к локальной памяти системы и коммуникационным элементам для связи с внешним миром. По такому принципу можно организовать вычислительную структуру на базе специализиро-
, .
Соединив универсальные средства разработки, мониторинга, управления и проведения вычислений со специализированными аппаратными элементами типа сигнальных процессоров или иных вычислительных узлов, имеющих более узкую , , достоинствами обоих подходов.
Так как аппаратный базис в таком случае представляется как совокупность вычислительных узлов разного плана, то можно говорить о гетерогенных систе-, , аппаратный и вычислительный базис фактически для каждой процедуры обработ-.
В таком случае можно говорить о локальном и глобальном применении параллельного подхода к решению задач и М1МБ-структуры как на уровне данных в
, -, .
Объединяя вычислительные средства общего и проблемно, -, -, , -ции и т.п. [4]. Причем при необходимости, используя данную концепцию, можно изменять конфигурацию гетерогенной сети под конкретную задачу, добавлять или удалять отдельные сектора.
Основная идея метода состоит в построении вычислительного комплекса, позволяющего проводить параллельную обработку данных сразу на нескольких уровнях, а не только внутри одного «слоя» (например, на уровне серии ПЭВМ). Такая организация вычислительного процесса предполагает реализацию концепции «множественный поток команд и множественный поток данных» (М1МБ), являющейся наиболее эффективной для обработки больших объемов данных в .
Этот вариант организации аппаратных средств системы является наиболее , -сти по сравнению с остальными, сохраняя баланс сложности (цены) и предоставляемых исследователю возможностей. Такая организация близка по идеологии к массово-парадлельным и кластерным системам, в которых вычислительные узлы объединены в некоторую коммуникативную структуру или сеть определенной или изменяемой топологии с доступом к локальной памяти системы и коммуникационным элементам для связи с внешним миром. По такому принципу можно организовать вычислительную структуру на базе специализированных микро-.
Примером таких микропроцессоров являются сигнальные процессоры цифровой обработки сигналов. Имея в наличии аппаратные ускорители на базе многопроцессорных плат типа АБР160рРС1, можно организовать второй «слой» вычис-( . 1).
Для апробации разрабатываемой концепции была организована гетерогенная , ( ). персональных ЭВМ, построенных на базе двухядреных процессоров Ше!, в каж-
дый из которых встроен аппаратный ускоритель на базе процессоров цифровой обработки сигналов. Кроме того, каждый ускоритель представляет собой миникластер из четырех идентичных микропроцессоров ADSP 21160 [6], соединенных по полному графу. Структура такого вычислителя представлена на рис. 2,6.
Все 4 кластера также объединены в сеть второго уровня, замыкая, таким об, . двухъядреным, работающим по принципу SISD или SIMD, в зависимости от по.
МОДЕЖ
МНОГОСЛОЙНОГО
KJIACTEFA
V.___________________________________
Рис. 1. Модель многослойного неоднородного кластера
В этом случае все четырехпроцессорные ускорители объединяются в свою сеть, «принимая» на себя самые сложные вычислительные задачи, требующие аппаратной поддержки вычислений типа Гарвардской архитектуры, наличия нескольких ядер внутри кристаллов, аппаратной реализации сложных вычислительных операций типа «умножение с накоплением», «бабочка БПФ» и т.п.
Каждый такой модуль является «проблемно-ориентированным ядром» системы и именно такой подход позволяет проектировать проблемноориентированные вычислительные системы, максимально эффективные для решения сложных комплексных задач моделирования.
Параллельность обработки данных может быть достигнута на всех уровнях кластера: между уровнями (слоями, сетями), между отдельными секциями, внут-. -темы подразумевает распределение программ и данных на каждом уровне сети, между вычислительными модулями нижнего уровня и в базисе отдельных мик.
Распределение и управление загрузкой вычислительных элементов может быть как статическим, так и динамическим. Динамическое распределение предполагает балансировку загрузки вычислительных элементов непосредственно в про-
цессе проведения моделирования. Это позволяет оптимизировать использование
.
узлов вычислителя реализуется до проведения моделирования. Очевидно, что статическое распределение не обладает гибкостью использования вычислительных ресурсов в сравнении с динамическим, однако оно позволяет избежать накладных , -, -соб для апробации идей на практике.
б
Рис. 2. Пример организации гетерогенного проблемно-ориентированного кластера
а
Получение распараллеливаемого программного кода может быть выполнено как в ручном, так и в автоматическом режиме при помощи специальных компиляторов [2]. Более удачным методом является распараллеливание на уровне реализации предварительно определенного метода решения [3]. Объектом в этом случае служат ветви или операторы алгоритма. Недостатком является необходимость формирования и предварительного расчета общей модели (математической в об), , . , .
Для данного случая применима идея декомпозиции модели на высоком уровне с распределением вычислительного потока для подчиненных структур нижних
.
подход к организации вычислительного процесса обеспечивают эффективное решение задач моделирования, снижают сложность описания на каждом уровне, а также позволяют адаптировать вычислительный процесс к аппаратному базису и структуре связей того сектора гетерогенного кластера, который решает конкрет-.
Следует также учесть, что распределение необходимо выполнять не на уров-( , ), -
, .
модели и между элементами отдельных слоев, а также трудоемкость решаемых локально задач и необходимый для их решения аппаратный базис.
С точки зрения формализации описания, такую модель можно представить в виде неориентированного графа [5] в базисе гетерогенного кластера £ = р, Ь, р, с , т), где множество процессорных узлов (вершин графа) N = {п-}
с соответствующими пиковыми производительностями р(п- ) связано между собой множеством элементов Ь = с соответствующей пропускной способностью ср) в коммуникационном пространстве модели £ . Управление потоками данных осуществляется частично через функцию маршрутизации тр, с, р) ком.
На рис. 3 представлен пример конфигурации гетерогенного кластера для решения задачи Т = (, Т„ Тз), состоящей из трех подзадач Т1, Т2 и Т3, причем выполнение Т требует подключения нижнего уровня спецвычислителей с Т2 и Т3. Управляющие узлы £1, £2 и £3 объединены в сеть верхнего уровня, внутри каждого сектора второго слоя сконфигурирована своя сеть на базе кластера ( Т2 ) ( Т3 ).
Распределение задач и вычислительной нагрузки проводится в соответствии с таблицами вычислительных мощностей Тр(р(ц), д), где д - сводный параметр вычислительных затрат, допустимый к использованию на данном вычислительном базисе и следующий из совокупной трудоемкости элементарных операций, выполняемых в текущем узле П . На функциональном уровне задача представима в виде вершинного иерархического гиперграфа Н = (О, И), в котором основной граф иерархии О вырождается в ограниченное множество вершин
як Е £ , отвечающих за выполнение задачи Т Е Т . Структура иерархии к зависит от строения сети и формируется на этапе распределения задачи по множеству вычислительных узлов с учетом их аппаратных особенностей, ориентации на конкретное множество операций и пиковую производительность р(п-).
Рис. 3. Пример организации иерархически представленной сети для дву>х подзадач
Временной граф решения совокупной задачи имеет аналогию с гиперграфом вычислительной нагрузки. Наихудшим вариантом решения задачи является последовательное решение на цепи элементов или последовательное решение этапов задачи на одном элементе. Соответственно коэффициент ускорения
ео™ = можно определить как от ношение времени реального па-
раллельного (распределенного) решения ^шенмя к времени последовательного решения ия . Так как внутри кластерных ускорителей обмен данными происходит через общую память, то время, затрачиваемое на обмен данными, мало и может не учитываться, хотя при расчете необходимо учитывать время передачи данных to6M по внешним каналам данных, зависящее от их пропускной способности, тогда tpa«ö«M = тах(выч ) + max(t0ff« ). Естественно, что при генерации временного графа решений необходимо минимизировать как время вычислений t , так и время
t . , ,
совокупное время выполнения и выше общая эффективность решения задачи.
Для экспериментальной проверки теории было выполнено моделирование и расчет модели на эвристическом уровне с реализацией вычислительных процедур высшего уровня при помощи технологии параллельного программирования MPI с применением динамической библиотеки BRD Deasy Tools, для реализации функ, -хронизации вычислительного процесса, предоставленных разработчиками платы Insys Corp вместе со средой разработки VisualDSP, Analog Devices Inc [7].
В качестве тестовой задачи была выбрана реализация модели работы гидро-.
эхолота с разными углами распространения волн. Для упрощения тестирования на данном этапе была выбрана двухпроцессорная конфигурация на базе аппаратного кластера под управлением базовой ПЭВМ через соответствующие библиотеки. На каждом задействованном процессоре второго слоя было просчитано по 50 дис, , . На каждом шаге итерации также происходил обмен данными. Из ведомого процессора к ведущему процессору передавались данные для вывода в файл, а также условие завершения моделирования на данном процессоре. Ведущий процессор также возвращал флаг завершения процесса, это было необходимо для синхрони-.
, -
ра для отображения в графической оболочке, анализа, коррекции и выработки новых командных пакетов. Для последовательного решения время выполнения составило ия= 21,65 ^ время распределенного решения fpaueil ия= 14,28 с. Без
учета операций передачи данных f^aaa= 16,18 ^ ^шишя =10,12 с.
Полученные данные позволяют судить о том, что эффективность многопроцессорной реализации в рамках данной концепции высока. Процесс дальнейшего разбиения задачи на большее число процессоров будет целесообразен при соответствии временных затрат на вычисления и межпроцессорные взаимодействия, а также после окончательной проработки и проверки системы моделирования, позволяющей в автоматическом режиме и при помощи эксперта проводить решение задачи от определения алгоритмической базы вычислительного алгоритма до генерации оптимальных конфигураций гетерогенного кластера с последующим мониторингом и контролем процесса решения.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Сове тов Б.Я., Яковлев С.А. Моделиров ание систем: Учеб. для вузов. - 3-е изд., перераб. и доп. - М.: Высш. шк., 2001. - 343 с.
2. Blume W, Eigenmann R. Performance Analysis of Parallelizing Compilers on the Perfect Benchmarks Programs// IEEE Transactions of Parallel and Distributed Systems, 3(6):643-656, November 1992.
3. Aronsson P. Automatic Parallelization of Simulation Code from Equation Based Simulation Languages, 2002.
4. Нуждин B.H. Концептуальное программирование вычислительных моделей. - Иваново: ИЭИ, 1985. - 32 с.
5. Celler F.E. Hierarchical non-linear bond graphs: a unified methodology for modeling complex physical systems // Simulation. - Vol. 58. - № 4. - 1992. - 283 c.
6. ADSP 2106x SHARC User's manual. - Analog Devices Inc., 1996.
7. Базовый модуль ADP160QPCI v2.1. Руководство пользователя. Insys Corp. - М., 2002. - 54 с.
Аль-Ханани Морад Абдулла Ахмад
Технологический институт Федерального государственного образовательного учреждения высшего профессионального образования «Южный федеральный университет» в г. Таганроге.
E-mail: [email protected]
347928, г. Таганрог, пер. Некрасовский, 44.
.: 89094022606.
.
Al-Hanani Murad Abdullah Ahmad
Taganrog Institute of Technology - Federal State-Owned Educational Establishment of Higher Vocational Education “Southern Federal University”.
E-mail: [email protected]
44, Nekrasovskiy, Taganrog, 347928, Russia.
Phone: 89094022606
УДК 681.5
ИХ. Коберси, В.В. Шадрина РАЗРАБОТКА АЛГОРИТМА ОБУЧЕНИЯ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УПРАВЛЕНИЯ НА ОСНОВЕ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ
Рассмотрена разработка генетического алгоритма для обучения интеллектуальной системы управления транспортными средствами, система управления является нейро-нечеткой.
Нейронная система; генетические алгоритмы.
I.S. Kobersi, V.V. Shadrina DEVELOPMENT OF ALGORITHM STUDY OF INTELLECTUAL MANAGEMENT SYSTEM BASED ON GENETIC ALGORITHMS
The paper considers the development of genetic algorithm for training the intelligent system of driving a vehicle, the control system is a neuro-fuzzy.
Neural systems; genetic algorithms.
Нечеткая логика позволяет строить карты входного пространства вплоть до выходного пространства. Механизм построения выполняется посредством формирования правил IF-THEN, для этого необходимо тщательно построить нечеткие правила и их набор [2]. Основная проблема состоит в том, что применение данного подхода представляет некоторую трудность построения функции принадлежности. Генетический алгоритм - это технология, которая эмулирует теорию эволюции для решений сложных задач оптимизации. Генетические алгоритмы представляют альтернативу традиционным методам оптимизации, с применением случайного поиска, чтобы получить набор оптимальных решений. Генетические алгоритмы буквально ищут относительно двух концов пространства поиска с тем, чтобы определить оптимизационное решение. Популяции всех решений оцениваются для определения наилучшего решения. Гибридная система комбинирует систему нейронного нечеткого интерфейса, а генетические алгоритмы применяются для настройки параметров гибридной сети (ННС). Цель заключается в сокрушении набора правил, прежде чем подавать на вход сети. Модификации, внесенные в разные (отдельные) слои сети, повышают ее производительность. Предложенный ГА ННС-сети в состоянии достичь высоких классификационных показателей по сравнению с ННС-сетей. На рис. 1 показана гибридная система управления транспортными средствами ТС, она состоит из трех .
