High Performance Programming Models for Monte Carlo Methods

Abstract

Complexity of modern supercomputers is rising steadily, especially with the introduction of heterogenous and distributed computing resources. This complexity also affects the available parallel programming models. This work focuses on this issue in the context of the Monte Carlo method.

In this work we propose two applications of the Monte Carlo method. The first one comes from the field of hydrology where it is used to model uncertainty in the Rainfall-Runoff models. This result can improve the decision making process of the local governments in case of an incoming flood. This application is run on a high performance computing infrastructure which allows fast delivery of precise results. The method is integrated in a custom simulation framework optimized for parallel execution. Its outputs are integrated in an web-based interface provided by the Floreon+ system for easy access. The outputs enhance the prediction of a water discharge and inundation areas by introducing confidence intervals to their output.

The second application comes from the field of traffic navigation and optimization. The Monte Carlo method is used to estimate travel time distribution on a given path using the Probabilistic Time-Dependent Routing algorithm. This application is integrated in an experimental on-line server side traffic navigation service which can be used to optimize traffic in the context of future Smart cities. The optimized version of this algorithm allows the service to provide optimal routes to a large number of cars driving through a given region.

For both applications we document their design, implementation, optimization and deployment on a high performance computing infrastructure. Computational and performance experiments were executed with both applications, their results are presented in the corresponding chapters.

Moderní superpočítače dosahují svých výkonů díky stále složitější konstrukci, která zahrnuje více druhů heterogenních a distribuovaných výpočetních prostředků. Tento jev rovněž zvyšuje složitost dostupných paralelních programovacích modelů. Tato práce se zaměřuje na tuto problematiku v kontextu metody Monte Carlo.

V této práci popisujeme dvě vlastní aplikace metody Monte Carlo. První z nich pochází z oblasti hydrologie, kde se používá pro modelování neurčitosti ve srážko-odtokových modelech. Tento výsledek může přispět k vylepšení rozhodovacího procesu v krizovém řízení, který používají místní samosprávy v případě hrozících povodní. Tato aplikace metody je implementována a nasazena na vysoce výkonnou výpočetní infrastrukturu, což umožňuje rychlé získávání přesných výsledků. Metoda je integrována do vlastního simulačního rámce, optimalizovaného pro paralelní spouštění. Jeho výstupy jsou integrovány ve webovém rozhraní systému Floreon+ pro zajištění jejich snadné dostupnosti. Výstupy obohacují předpověď odtoku vody z povodí o intervaly spolehlivosti.

Druhá aplikace metody je z oblasti navigace a optimalizace dopravy. Metoda je zde použita pro odhad rozdělení dojezdového času na dané trase pomocí algoritmu Probabilistic Time-Dependent Routing. Tato aplikace je integrována v experimentální on-line navigační službě, která může být dále použita pro optimalizaci dopravy v budoucích tzv. chytrých městech. Optimalizovaná verze algoritmu umožňuje službě poskytovat optimální trasy pro velké množství vozidel projíždějících přes danou oblast.

Pro obě zmíněné aplikace metody popisujeme jejich návrh, implementaci, optimalizaci a nasazení na vysoce výkonnou výpočetní infrastrukturu. Výsledky výpočetních a výkonnostních experimentů pro obě aplikace jsou prezentovány v příslušných kapitolách.