Question

N-body simulation用于模拟涉及粒子相互作用的物理系统的动力学，或者将问题简化为具有物理意义的某种粒子。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，给dask.bag.from_sequence()一个自定义迭代器，它返回一个粒子对象：

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，要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将函数映射到集合中的所有元素，在此函数内，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()

对于完整性，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)

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

Dask.bag是一个很好的集合（抽象）来处理这类问题吗？也许Dask.distributed是一个更好的主意？
以这种方式对模拟进行编程，处理所有通信的调度程序或有关位置，速度等的信息是否与员工之间的通信共享？
优化代码的任何评论？特别是在调用dask.bag.map()时将集合转换为列表的过热。

Answer 1

一般来说，N-Body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是您可以想象的最简单/最笨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-Body模拟等复杂问题上提供良好的性能。

像dask.array或dask.delayed之类的东西会提供更大的灵活性，但即使这些也不会与精心调整的KD树相同。

使用dask进行高效的n体仿真

1 个答案: