gpt4 book ai didi

python - 使用 dask 进行高效的 n 体模拟

转载 作者:太空宇宙 更新时间:2023-11-03 16:01:57 26 4
gpt4 key购买 nike

N-body simulation 用于模拟涉及粒子相互作用的物理系统的动力学,或将问题简化为某种具有物理意义的粒子。粒子可以是气体分子或星系中的恒星。 Dask.bag 提供了一种在集群中分布粒子的简单方法,例如,为 dask.bag.from_sequence() 提供一个自定义迭代器,该迭代器返回一个粒子对象:

class ParticleGenerator():
def __init__(self, num_of_particles, max_position, seed=time.time()):
random.seed(seed)
self.index = -1
self.limit = num_of_particles
self.max_position = max_position
def __iter__(self):
return self
def __next__(self):
self.index += 1
if self.index < self.limit :
return np.array([self.max_position*random.random(), self.max_position*random.random(), self.max_position*random.random()])
else :
raise StopIteration
b = db.from_sequence( ParticleGenerator(1000, 1, seed=123456789) )

这里,粒子对象只是一个 numpy 数组,但可以是任何东西。现在,为了计算所有粒子之间的相互作用,必须共享有关位置、速度和类似数量的信息。 dask.bag.map 在集合中的所有元素上映射一个函数,在该函数内,计算元素与所有其他粒子之间的相互作用以获得新的粒子状态。

b = b.map(update_position, others=list(b))
b.compute()

为了完整起见,这是 update_position 函数:

def update_position(e, others=None, mass=1, dt=1e-4):
f = np.zeros(3)
for o in others:
r = e - o
r_mag = np.sqrt(r.dot(r))
if r_mag == 0 :
continue
f += ( A/(r_mag**7) + B/(r_mag**13) ) * r
return e + f * (dt**2 / mass)

AB 一些任意值。可以在循环内多次调用 dask.bag.map() 来执行模拟。

  1. Dask.bag 是处理此类问题的一个好的集合(抽象)吗?也许 Dask.distributed 是一个更好的主意?
  2. 以这种方式对模拟进行编程,调度程序是否会处理所有通信,或者与工作人员间的通信共享有关位置、速度等的信息?
  3. 有什么意见可以优化代码吗?特别是关于在调用 dask.bag.map() 时将集合转换为列表的过热问题。

最佳答案

一般来说,N 体模拟需要复杂的算法和数据结构才能有效运行。许多常见的解决方案包括使用复杂的树数据结构。您可能想要搜索 kd-tree 或 barnes-hut 等术语。

另一方面,Dask.bag 是您可以想象到的最简单/最愚蠢的并行编程抽象之一,类似于 MapReduce 和 Spark 等其他批量数据处理系统。这些系统不够灵活,无法在 N 体模拟等复杂问题上提供良好的性能。

类似于 dask.arraydask.delayed将提供更大的灵 active ,但即使如此,也与微调的 KD 树不同。

关于python - 使用 dask 进行高效的 n 体模拟,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/40249717/

26 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com