MPI并行編程的案例
LS-DYNA學習筆記—并行計算MPP版本MPI安裝方法
<p class="ql-align-center"><br></p><p> 從LS-DYNA的近幾個版本的發展趨勢看，MPP版本逐漸會成為主力，SMP版本大概率會淘汰掉（或者被HYB取代掉），那么如何使用MPP版本就是大家必須面對的一個課題； </p><p> 在上一篇中提及了，MPI目前有3大類，分別是：intel、MicroSoft、IBM，都是能夠滿足MPP并行運算的需求，其中IBM的platform平臺需要收費，所以沒有機會測試，一般和諧版用戶只能使用INTEL或者MS平臺； </p><p> 使用MPP版本，INTEL和MS的MPI庫至少要裝一個，當然也可以兩個都安裝，從測試過程看，ITNEL的在大多數領域都比MS的快約5%-10%左右，但是穩定性稍差，部分算例有計算失敗的風險； 下面簡要描述：（所有環境基于ANSYS 安裝包）：最簡單的方法就是，打開ANSYS界面：選擇以安裝MPI以用于ANSYS并行運算<img src="https://img.jishulink.com/msimage/202510/f8ef56c546ce05b5c3fce1e27d2cce30.png">兩種安裝方式： INTEL 和MS<img src="https://img.jishulink.com/msimage/202510/f2d3cc39fa66f87836df0598f82fcf84.png"> 如果是沖壓計算領域，筆者建議安裝MS版本，目前ANSYS Forming 2025 R2中，自帶的就是MS版本的求解器；<img src="https://img.jishulink.com/msimage/202510/0ae21ccf64441a2fa91b3c87d3635894
展開 精通 GPU 并行編程（CUDA）：硬件與軟件 ￥20
精通 GPU 并行編程（CUDA）：硬件與軟件
- 最近更新時間：2025 年
- 語言：英語 + 字幕
- 課時：50講，共 20小時
- 文件大小：15GB
2. 課程目標
- 全面理解 GPU 與 CPU 架構差異
- 學習 GPU 的發展歷史，從早期到最新產品
- 理解 GPU 的內部結構
- 理解不同類型的內存及其對性能的影響
- 了解 GPU 內部組件的最新技術
- 掌握 CUDA 編程基礎
- 在 Windows 與 Linux 平臺上使用 CUDA 進行 GPU 編程
- 學習高效并行化方法
- 性能分析與調優（Profiling and Performance Tuning）
- 利用共享內存（Shared Memory）提升性能
3. 課程前置要求（Requirements）
- C 與 C++ 基礎
- Linux 與 Windows 基礎操作
- 計算機體系結構基礎
4. 課程描述（Description）
本課程采用實踐教學，指導學習者使用 CUDA 釋放現代 GPU 的強大并行計算能力。課程從 GPU 硬件基礎開始，梳理主流架構的演進（Fermi → Pascal → Volta → Ampere → Hopper），并通過代碼實驗逐步學習如何編寫、分析與優化高性能內核。
說明：這是一個獨立的培訓資源，不隸屬于 NVIDIA 公司。
展開 大規模工程計算解決方案-并行計算編程高級培訓班
目前各研究機構多核并行程序開發不足，隨著多核硬件技術發展，在硬件設備上存在不同程度的利用不足。通過加強并行程序的設計與開發，研究機構可以充分的利用現有設備資源提高工作效率，降低時間成本，實現更大規模的計算。中國科學院計算技術研究所教育中心依托自身強大優勢，特舉辦“大規模工程計算解決方案-并行計算編程”高級培訓班，相關具體事宜通知如下 ：
一、培訓目標：
1、現有硬件資源最大化利用
2、提高并行程序設計與開發水平；
3、實際體驗超級計算環境；
4、提供符合自身特點的工程計算解決方案：
三、課程實操：
學員體驗曙光6000高性能計算機環境，在改并行機群上編譯、調試和運行教學例子，并在最多達128個核規模下測試和分析程序的擴展性和性能。
四、時間地點:2012年11月29日
— 2012年12月02日
北 京（時間安排：第一天報到、授課三天）
課
程
內
容
第一章：基本的MPI編程技術
1．高性能計算概述
2．簡單的MPI程序設計
3．如何運行MPI程序
上機實操課程
應用實例
1．MPICH的安裝、程序編譯與運行。
2．Hello world程序的編寫
3. 循環消息傳遞程序的編寫。
第二章：高級MPI編程技術
1．定義新的數據類型
2．非阻塞通信
3．各種組通信
上機實操課程
應用實例
1．4種產生新數據類型的方法
；
2．各種非阻塞的發送與接收操作
3 最常見的幾種組通信操作。
展開 UNAT加速庫：突破異構計算瓶頸，實現跨平臺高效仿真
與此同時，并行編程模型同樣呈現多樣化的趨勢，包括用于GPU加速的CUDA、跨硬件的OpenCL、加速CPU和GPU的OpenACC、共享內存的OpenMP以及跨節點并行的MPI等編程語言。在工業仿真領域，多種數據結構并存，如結構網格和非結構網格等，都對異構計算提出了更高的要求。
目前較為流行的性能可移植加速庫為Kokkos，其C++庫巧妙地統一了細粒度數據并行和內存訪問模式的抽象，使得應用程序和函數庫能在不同的眾核架構上實現性能的可移植。Kokkos解決了異構節點上編程模型不統一的問題，并通過運用C++特性定義接口，極大簡化了編程接口。GraphBLAS則是統一不同數據結構和算法領域的代表者，它采用了類BLAS庫的矩陣、向量算子接口，不同之處在于允許用戶自定義類型及類型相關的算子，相對傳統數學庫大大擴展了可用性。GraphBLAS屏蔽了底層數據結構的接口，為上層應用開發者減輕了負擔，同時也為數據結構、算法與硬件架構的協同優化提供了更多空間。
Kokkos應用場景
GraphBLAS中矩陣的圖抽象
鑒于上述因素，針對非結構網格開展屏蔽硬件架構差異、封裝數據結構和算法實現細節的統一加速庫開發工作顯得尤為重要。為此，我們提出了一個名為UNAT（UNstructured Acceleration Toolkit）的性能可移植統一加速庫。UNAT充分吸收了KOKKOS統一硬件抽象和GraphBLAS接口統一等方面的優勢，并借鑒了非結構加速套件的成功實踐經驗。目前，UNAT已經實現了在神威、x86平臺上的數值模擬應用低代碼加速開發和高效計算。
一、過往取得的豐碩成果
在工業仿真領域，主要包括兩種數據結構——結構化網格和非結構網格。
展開 
