《TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW》:A novel distributed parallel simulation method with dynamic partitioning using KLeiden-based community detection
编辑推荐:
本文提出了一种结合KLeiden社区发现算法的动态分区分布式并行仿真方法,通过Amdahl定律优化仿真时间模型,有效解决了大规模路网微观交通仿真中的负载均衡与通信开销问题,实现了高达17.5倍的实时加速比,为智能交通系统(ITS)的高效计算提供了创新解决方案。
亮点
本研究提出了一种动态分布式仿真计算方法,作为提升大规模微观交通仿真计算效率的核心手段。该方法整合了三个紧密耦合的组成部分:(1)基于Amdahl定律、明确与底层计算资源耦合的面向仿真时间的路网分区优化模型;(2)结合基于KLeiden的等价分区策略与模拟退火边界调整的求解算法;(3)支持动态分区的分布式并行仿真框架,以应对时变OD(起点-终点)模式引起的负载不均衡问题。
分布式并行仿真框架与动态分区
为应对OD变化引起的负载不均衡,本研究提出了一种支持动态分区的分布式并行仿真框架。该框架周期性监测不均衡状态,并结合重新分区与基于里程的未均衡路径的重新分解,实现高效且细粒度的资源调度,如图3所示。
实验设置与平台
图5展示了实验平台的运行机制。应用SUMO微观仿真软件验证所提出的支持动态分区的分布式并行仿真框架,所有实验均在统一的Linux环境中进行。仿真效率更依赖于车辆交互而非路网本身规模,因此完整路网被加载至SUMO中而不进行物理分区。仿真状态由...
结论
本研究提出了一种动态分布式仿真计算方法,作为提升大规模微观交通仿真计算效率的核心手段。它整合了三个紧密耦合的组成部分:(1)基于Amdahl定律、与底层计算资源明确耦合的面向仿真时间的路网分区优化模型;(2)结合了基于KLeiden的等价分区策略与模拟退火边界调整的求解算法;(3)支持动态分区的分布式并行仿真框架。广泛的实验表明,该方法能实现高达17.5倍的实时加速,同时将整体宏观误差保持在1%以内。特别是在变化的OD条件下,所提出的动态分区框架相比静态分区方案始终展现出更优的加速性能。