ЗАСТОСУВАННЯ БІБЛІОТЕКИ MPI ДЛЯ ОБЧИСЛЕННЯ АЛГОРИТМУ «МАРШИРУЮЧИХ КУБІВ»

Ключові слова: «маршируючі куби», розподілена пам’ять, MPI, OPENMP, R-функції

Анотація

Візуалізація об’єктів геометричного моделювання стає невід’ємною складовою частиною багатьох підприємств машинобудування, будівництва та медицини. Використання комп’ютерних технологій допомагають проєктувати складні механізми. Уже існуючі методи геометричного моделювання вирішують проблеми візуалізації складних форм без великих матеріальних та часових затрат. Проте вирішуються не всі проблеми, та інколи застосування того чи іншого підходу неможливе, оскільки реалізація становиться досить складною. Задача побудови моделей є досить популярною. Візуалізація дозволяє автоматизувати процеси на підприємстві без великих матеріальних затрат. Метою цього дослідження є розробка алгоритму методу моделювання геометричних об’єктів за допомогою функціонального підходу з використанням бібліотеки MPI та порівняння з використанням загальною пам’яттю OpenMP. Моделювання за допомогою функціонального підходу ґрунтується на використанні неявно заданих функцій, які дають можливість побудувати тривимірні моделі. У статті подано формальний опис алгоритму «маршируючих кубів», проаналізовано властивості і практичне застосування при побудові об’єктів з використанням паралельного програмування бібліотеки MPI та OpenMP. Подані приклади візуалізації об’єктів з використанням середовища Qt Creator. Отримані результати будуть корисними для подальших теоретичних досліджень, а також для практичного використання візуального представлення моделей з розподіленою та загальною пам’яттю. Моделі, побудовані за допомогою алгоритму «маршируючих кубів», дають можливість розв’язання задач геометричного моделювання без можливих часових втрат і прийняття належних рішень стосовно представлення об’єктів. Таким чином, задача побудови тривимірних об’єктів за допомогою функціонального підходу може бути успішно розв’язана завдяки використанню бібліотеки підходу MPI.

Посилання

1. Alexandrov A, Ionescu M.F., Schauser K,E, Scheiman C. Incorporating long messages into the LogP model – one step closer towards a realistic model for parallel computation, USA: Tech. Rep, 1995, p. 206.
2. Fagg G.E., Pjesivac-Grbovic J., Bosilca G., Angskun T., Dongarra J., Jeannot E. Flexible collective communication tuning architecture applied to Open MPI, PVM/MPI, USA : Manning Publications, 2006, p. 14.
3. Guo T., Yu K., Aloqaily M., Wan S. Constructing a prior-dependent graph for data clustering and dimension reduction in the edge of AIoT, Future Gener. Comput. Syst. 128, Kobe, 2022, p. 381.
4. Hunold S., Bhatele A., Bosilca G., Knees P. Predicting MPI collective communication performance using machine learning, in: 2020 IEEE International Conference on Cluster Computing (CLUSTER), Kobe, 2020, p. 259.
5. Kristiani E., Yang C.-T., Huang C.-Y., Ko P.-C., Fathoni H. On construction of sensors, edge, and cloud (iSEC) framework for smart system integration and applications, IEEE Int. Things J. 8(1), USA, 2020 p. 309.
6. Rico-Gallego J., Lastovetsky A.L., Martín J.C.D. Model-based estimation of the communication cost of hybrid data-parallel applications on heterogeneous clusters. IEEE Trans. Parallel Distrib. Syst. 28(11), USA, 2017 p. 217.
Опубліковано
2023-03-17
Як цитувати
Калюжняк, А. В., & Мильцев, О. М. (2023). ЗАСТОСУВАННЯ БІБЛІОТЕКИ MPI ДЛЯ ОБЧИСЛЕННЯ АЛГОРИТМУ «МАРШИРУЮЧИХ КУБІВ». Computer Science and Applied Mathematics, (2), 72-78. https://doi.org/10.26661/2786-6254-2022-2-09
Розділ
РОЗДІЛ III. КОМП’ЮТЕРНІ НАУКИ