李得原

摘 要 為了提升作物生長模型的運(yùn)算速度，MPI并行算法由于自身所具有的優(yōu)越性而被廣泛地應(yīng)用?；诖耍瑢PI并行計算的農(nóng)作物生長環(huán)境的數(shù)據(jù)展開分析。首先，概述MPI并行計算方法，然后分析MPI并行算法在農(nóng)作物生長環(huán)境的數(shù)據(jù)應(yīng)用情況。

關(guān)鍵詞 MPI；并行算法；農(nóng)作物；生長環(huán)境；數(shù)據(jù)

中圖分類號：TP301.6 文獻(xiàn)標(biāo)志碼：B DOI：10.19415/j.cnki.1673-890x.2017.30.063

最近幾年，作物模型的地區(qū)性運(yùn)用需求持續(xù)性遞增，被廣泛地運(yùn)用在地區(qū)性生產(chǎn)力預(yù)測與預(yù)警、氣候改變走向研究中。作物模型在地區(qū)性的運(yùn)用過程中，需與氣象模型、生態(tài)環(huán)境模型以及GIS等主要技術(shù)相整合，同時受到地點(diǎn)、參量以及時段等多種因素的共同作用，一般會出現(xiàn)模型運(yùn)算量的劇增，模型驅(qū)動式變量的數(shù)據(jù)量變多以及運(yùn)算時間偏長等問題[1]，因而，如何借助分布式計算環(huán)境來增強(qiáng)作物模型在多個時間段、多個地點(diǎn)以及多個尺度環(huán)境的運(yùn)算性能，是作物模型范圍內(nèi)急需解決的一個難題。而MPI則是其中重要的計算工具，本文正是據(jù)此來對農(nóng)作物生長環(huán)境的數(shù)據(jù)展開分析。

1 MPI并行計算法概述

MPI并行計算法是一類根據(jù)信息傳輸?shù)牟⑿惺骄幊碳夹g(shù)。傳輸消息接口是一類編程接口標(biāo)準(zhǔn)，而非具體化的編程語言。換言之，MPI界定了一組具備可移植性編程接口[2]。此計算方法具備PVM的大多數(shù)優(yōu)點(diǎn)之外，同時還擁有如下的特征：第一，實(shí)現(xiàn)途徑多樣，且適用于數(shù)類研發(fā)工具與基礎(chǔ)性的研發(fā)語言；第二，有效地對消息緩存區(qū)加以管理；第三，在數(shù)類并行計算機(jī)系統(tǒng)結(jié)構(gòu)中有效地運(yùn)作；第四，開展異步通信程序，無論是發(fā)送還是接收過程，完全可以和運(yùn)算重疊展開；第五，異步實(shí)施時，對于運(yùn)用者的其他軟件并不會導(dǎo)致后果；第六，是完全能夠移植的標(biāo)準(zhǔn)式平臺。

2 MPI并行算法在農(nóng)作物生長環(huán)境的數(shù)據(jù)應(yīng)用分析

MPI并行算法的前提條件是對子模型組分進(jìn)行并行式處理，把運(yùn)算任務(wù)區(qū)分成主從聯(lián)系，并行處理的粒度并不大，然而運(yùn)算數(shù)據(jù)對應(yīng)的通信時間則較長。因此，本文所確定的方案為把并行處理的粒度提升至子模型層面，即把生長模型的運(yùn)算任務(wù)當(dāng)作一個任務(wù)項(xiàng)目，試圖將其區(qū)分成一系列能夠并行實(shí)施的子任務(wù)，即{T1，T2，T3，…Tp|P表示子任務(wù)的數(shù)目}，使得任務(wù)運(yùn)算完成之后，確保Ti任務(wù)能夠馬上開始相同的運(yùn)算速度，據(jù)此達(dá)到提升運(yùn)算速度的目的。Ti+1任務(wù)的構(gòu)成主要是數(shù)個子模型組分的運(yùn)算關(guān)系式，即{M1，M2，M3，…Mx|X表示的是子模型組分運(yùn)算的關(guān)系式數(shù)}，x大小主要決定于子模型組分內(nèi)部的數(shù)據(jù)依賴式聯(lián)系。在作物生長相關(guān)的模型內(nèi)，Dev子模型的計算方法所涉及到的函數(shù)式無需其他公式輸出的數(shù)據(jù)，即能夠視作T1任務(wù)；Biomass計算方法公式與Parition計算方法公式的數(shù)據(jù)互相之間存在著依賴性，能夠被一同視作T2任務(wù)；Orgmake計算方法公式充分地依賴其他4個子模型的運(yùn)算結(jié)果，即能夠視作T3任務(wù)。據(jù)此為原則，獲取子模型層的并行調(diào)度方案A，并表示成A方案。

因?yàn)榉峙涞奶幚砥鞑煌?，對?yīng)的運(yùn)算任務(wù)及其量也存在著差異，從而會導(dǎo)致部分處理器和其他處理器率先完成任務(wù)之后處于空閑的狀態(tài)。因而，能夠通過盡量地在處理器之間均衡地配置運(yùn)算的任務(wù)，從而達(dá)到負(fù)載均衡的狀態(tài)，也就是讓全部的處理器均可以持續(xù)性地實(shí)施上述任務(wù)，提升處理器使用的效率。基于計算方法A的前提下，檢測串行模式環(huán)境中農(nóng)作物生長的模擬流程，對比不同子模型運(yùn)算方法關(guān)系式的實(shí)施時間比，目的在于達(dá)到靜態(tài)負(fù)載的均衡狀態(tài)。設(shè)置了單個單機(jī)上串行流程的檢測實(shí)驗(yàn)：即通過農(nóng)作物大麥1個生長季所對應(yīng)的氣溫數(shù)據(jù)當(dāng)作模型驅(qū)動式變量，檢測得到Dev子模型的運(yùn)作時間是1s，具體的運(yùn)算時間見表1。

基于表1的相關(guān)數(shù)據(jù)分析可以發(fā)現(xiàn)，各子模型計算方法的公式對應(yīng)的實(shí)施時間差別顯著。其中，Biomass與Parition計算方法公式的輸入和輸出的數(shù)據(jù)相耦合，2個計算方法公式的運(yùn)行時間比比值是20，遠(yuǎn)遠(yuǎn)地超出Dev計算方法公式的計算時間。在以上提及的流水線式并行計算方法A項(xiàng)目內(nèi)，若把DEV子模型計算任務(wù)單獨(dú)視為一項(xiàng)任務(wù)，必然導(dǎo)致其所在的處理器完成計算任務(wù)后，不得不等待執(zhí)行數(shù)據(jù)傳輸操作，使得處理器長時間處于空閑的狀態(tài)。出于維持各個處理器內(nèi)部的負(fù)載均衡目的，把Dev計算方法的公式與Biomass甚至是Parition計算方法公式合成一項(xiàng)運(yùn)算的任務(wù)，從而獲取優(yōu)化之后處理的子模型層并行式優(yōu)化調(diào)度的方案B，并表示成B方案。

另外，方案A與方案B采納的是數(shù)據(jù)平均分割法，即把各個運(yùn)算的節(jié)點(diǎn)根據(jù)實(shí)施一樣的任務(wù)，不同的僅僅為數(shù)據(jù)。同時用年作為單位來配置輸入的數(shù)據(jù)，每一個運(yùn)算的節(jié)點(diǎn)處（PC）通過平均的方式分配若干年份的相關(guān)數(shù)據(jù)[3]，同時將它們依次展開完善的模擬運(yùn)算，節(jié)點(diǎn)內(nèi)部所采納的是流水線式的并行計算方法。根據(jù)最后的運(yùn)算結(jié)果可知，B方案優(yōu)于A方案。

3 結(jié)語

并行程序主要是通過互聯(lián)網(wǎng)環(huán)境時開展多處理器計算資源的一種有效性方式。以往的并行運(yùn)算主要借助于高昂的高性能服務(wù)器方式，最終實(shí)現(xiàn)高成本的目的。在最近幾年中，PC級微處理器的性能日益提升，同時高速互聯(lián)網(wǎng)日益成熟和推廣，從而替在廉價數(shù)核的PC級集群環(huán)境中，借助于高速與低成本的方式為并行運(yùn)算提供了良好的條件。當(dāng)下，并行計算方法已廣泛地運(yùn)用在地質(zhì)勘察、分子動力學(xué)、氣象預(yù)報以及虛擬性植物等研究范圍中，從而在一定程度上提高了科學(xué)運(yùn)算的效率。

參考文獻(xiàn)

[1]王萃寒，趙晨，許小剛，等.分布式并行計算環(huán)境[J].計算機(jī)科學(xué)，2013，30（10）：252-261.

[2]姜海燕，朱艷，湯亮，等.基于本體的作物系統(tǒng)模擬框架構(gòu)建研究[J]中國農(nóng)業(yè)科學(xué)，2015，42（4）：1207-1214.

[3]嚴(yán)美春，曹衛(wèi)星，羅衛(wèi)紅，等.小麥地上部器官建成模擬模型的研究[J].作物學(xué)報，2011，27（2）：222-229.

（責(zé)任編輯：趙中正）endprint