基于RMC的蒙特卡罗程序性能优化

计算机工程与科学 ›› 2021, Vol. 43 ›› Issue (4): 634-640.

基于RMC的蒙特卡罗程序性能优化

徐海坤1,匡邓晖1,刘杰1,2,龚春叶1,2

（1.国防科技大学并行与分布处理国家重点实验室，湖南长沙 410073;

2.国防科技大学复杂系统软件工程湖南省重点实验室，湖南长沙 410073）

收稿日期:2020-06-11 修回日期:2020-07-23 出版日期:2021-04-25 发布日期:2021-04-21
基金资助:
国家重点研发计划（2017YFB0202104,2018YFB0204301）

RMC based performance optimization of Monte Carlo program

XU Hai-kun1,KUANG Deng-hui1,LIU Jie1,2,GONG Chun-ye1,2#br#

#br#

(1.Science and Technology on Parallel and Distributed Processing Laboratory,

National University of Defense Technology,Changsha 410073;

2.Laboratory of Software Engineering for Complex Systems,
National University of Defense Technology,Changsha 410073,China)

Received:2020-06-11 Revised:2020-07-23 Online:2021-04-25 Published:2021-04-21

摘要/Abstract

摘要： 蒙特卡罗MC方法是核反应堆设计和分析中重要的粒子输运模拟方法。MC方法能够模拟复杂几何形状且计算结果精度高，缺点是需要耗费大量时间进行上亿规模粒子模拟。如何提高蒙特卡罗程序的性能成为大规模蒙特卡罗数值模拟的挑战。基于堆用蒙特卡罗分析程序RMC，先后开展了基于TCMalloc动态内存分配优化、OpenMP线程调度策略优化、vector内存对齐优化和基于HDF5的并行I/O优化等一系列优化手段，对于200万粒子的算例，使其总体性能提高26.45%以上。

关键词: 蒙特卡罗方法, 性能优化, 内存管理, 并行I/O

Abstract: Monte Carlo method (Monte Carlo, MC) is an important particle transport simulation method in nuclear reactor design and analysis. The MC method can simulate complex geometric shapes and the calculation results have high accuracy. The disadvantage is that it takes a lot of time to simulate hundreds of millions of particles to obtain accurate results. How to improve the performance of the Monte Carlo program has become a challenge for large-scale Monte Carlo numerical simulation. Based on the heap MC analysis program RMC, this paper has successively carried out a series of optimization methods such as dynamic memory allocation optimization based on TCMalloc, OpenMP thread scheduling strategy optimization, and vector memory alignment optimization, and parallel I/O optimization based on HDF5. Under the example of calculating 2 million particles, the overall program performance is improved by more than 26.45%.

Key words: Monte Carlo method, performance optimization, memory management, parallel I/O

徐海坤, 匡邓晖, 刘杰, 龚春叶, . 基于RMC的蒙特卡罗程序性能优化[J]. 计算机工程与科学, 2021, 43(4): 634-640.

XU Hai-kun, KUANG Deng-hui, LIU Jie, GONG Chun-ye, . RMC based performance optimization of Monte Carlo program[J]. Computer Engineering & Science, 2021, 43(4): 634-640.

[1]	陈文锦. QTorch:基于独立的量子程序设计语言的量子-经典混合机器学习框架[J]. 计算机工程与科学, 2025, 47(3): 412-421.
[2]	张建民, 许炜康, 刘津津, 黎铁军. 粒子输运非确定性模拟的加速方法研究进展[J]. 计算机工程与科学, 2025, 47(1): 1-9.
[3]	俞丁翠, 罗龙飞, 宋云鹏, 李文通, 石亮. 面向高密度闪存的内存页大小探索[J]. 计算机工程与科学, 2024, 46(7): 1167-1174.
[4]	施禹, 董攀, 张利军. 一种不规则稀疏矩阵的SpMV方法[J]. 计算机工程与科学, 2024, 46(7): 1175-1184.
[5]	李飞, 郭绍忠, 周蓓, 宋广辉, 郝江伟, 许瑾晨. RISC-V基础数学库性能优化[J]. 计算机工程与科学, 2023, 45(9): 1532-1543.
[6]	康宇晗, 时洋, 陈照云, 文梅. 面向迈创+MatrixZone异构系统的深度学习编程框架[J]. 计算机工程与科学, 2023, 45(7): 1149-1158.
[7]	沈佳杰, 卢修文, 向望, 赵泽宇, 王新, . 分布式存储系统读写一致性算法性能优化研究综述[J]. 计算机工程与科学, 2022, 44(4): 571-583.
[8]	莫舒恒, 卢圣有, 黄聃, 卢宇彤. 基于即时编译的GNU Octave性能优化[J]. 计算机工程与科学, 2022, 44(12): 2091-2101.
[9]	周静, 关玉蓉. 基于SDN的DWSN技术分析及性能优化研究[J]. 计算机工程与科学, 2021, 43(8): 1413-1421.
[10]	朱良杰, 沈佳杰, 周扬帆, 王新, . 云际存储系统性能优化研究现状与展望[J]. 计算机工程与科学, 2021, 43(5): 761-772.
[11]	张驭洲, 曹武迪, 卜景德, 谭光明, 吉青. GROMACS 2020在ROCm平台上的移植与优化[J]. 计算机工程与科学, 2021, 43(11): 1901-1909.
[12]	李彪, 刘杰, . 面向天河2A系统的基于蒙特卡罗方法的粒子输运异构协同计算[J]. 计算机工程与科学, 2020, 42(11): 1922-1928.
[13]	王武1，王舒扬1,2，姜金荣1,孟虹松3. 快速多极子方法在申威众核处理器上的实现和优化[J]. 计算机工程与科学, 2019, 41(07): 1161-1167.
[14]	曹立强,罗红兵. 并行科学计算应用中采样数据的聚集I/O[J]. 计算机工程与科学, 2018, 40(09): 1534-1539.
[15]	廖旺坚1,2,黄永峰1,2,包从开1,2. Spark并行计算框架的内存优化[J]. 计算机工程与科学, 2018, 40(04): 587-593.