Optimization of coil geometry using Monte Carlo method with HTCondor and Microsoft Azure technologies

• Autorzy: Sawicki Bartosz , Krupa Artur

Identyfikatory

DOI

10.15999/48.2019.05.28

Warianty tytułu

PL

Optymalizacja geometrii cewki metod ˛a Monte Carlo przy wykorzystaniu HTCondor oraz Microsoft Azure

• Języki publikacji: EN

Abstrakty

EN

The paper presents an application of modern computer services known as cloud computing for the simple coil geometry optimization problem. The Monte Carlo method is known for its robustness, but also low convergence. The latter shortcoming could be eliminated by large and affordable computational power offered today by cloud providers. The described architecture of the simulation system is based on Microsoft Azure platform with HTCondor as a job manager.

PL

Artykuł przedstawia wykorzystanie usług obliczeniowych na przykładzie prostego zagadnienia optymalizacji kształtu cewki. Metoda Monte Carlo jest znana ze swojej skuteczno´sci, a jednocze´snie z bardzo niskiej zbie˙zno´sci. Wad˛et˛a mo ˙ zna skutecznie ograniczy´c poprzez wykorzystaniem du˙zych i tanich mocy obliczeniowych oferowanych dzisiaj przez dostawców usług ’chmurowych’ (ang. cloud computing). Opisana architektura systemu symulacyjnego oparta jest na platformie Microsoft Azure oraz zarz ˛adcy zada´n HTCondor.

Słowa kluczowe

EN

cloud computing; optimal design; Monte Carlo method

PL

obliczenia rozproszone; optymalizacja; metoda Monte Carlo

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2019
• Tom: R. 95, nr 5
• Strony: 114--118
• Opis fizyczny: Bibliogr. 11 poz., rys., tab.

Twórcy

autor

Sawicki Bartosz

• Politechnika Warszawska, Instytut Elektrotechniki Teoretycznej i Systemów Informacyjno-Pomiarowych, ul. Koszykowa 75, 01-650 Warszawa

autor

Krupa Artur

• Szkoła Główna Gospodarstwa Wiejskiego, Wydział Zastosowa´n Informatyki i Matematyki, ul. Nowoursynowane 159, 02-776 Warszawa

Bibliografia

• [1] Angelo G., Marzolla M., New trends in parallel and distributed simulation: From many-cores to Cloud Computing, Simul. Model. Pract. Theory, 126 (2014)
• [2] Krupa A., Sawicki B., High-resolution scatter analyse using cloudcomputing, PrzegladElektrotechniczny, 91(2015), Nr12, pp. 140-142
• [3] Krupa A., Sawicki B., Measurement-based stochastic models of biological materials, 18th International Conference on Computational Problems of Electrical Engineering (CPEE 2017), Kutna Hora, 11-13th September 2017
• [4] WangH.,MaY.,PratxG.,XingL.,Towardreal-timeMonteCarlo simulation using a commercial cloud computing infrastructure, Phys. Med. Biol., 56 (2011)
• [5] Homem-de-Mello T., Bayraksan G., Monte Carlo sampling-based methods for stochastic optimization, Surveys in Operations Research and Management Science, 19 (2014)
• [6] Krupa A., Sawicki B., Massive Simulations Using MapReduce Model, IAPGOS, 5 (2015), No 4, pp. 45-47
• [7] Thain D., Tannenbaum T., Livny M., Distributed computing in practice: the Condor experience, Concurrency - Practice and Experience, 17 (2005), pp. 323-356
• [8] Srirangam R., Patil R., Azure GAHP Server for HTCondor, Microsoft, (2017)
• [9] Rynge M., Desinghu B., Thapa S., Harstad E., Large Scale Computation with HTCondor, SWC-OSG Workshop materials, (2017)
• [10] Alnæs M. S., Blechta J., Hake J., et. al., The FEniCS Project Version 1.5, Archive of Numerical Software, 3 (2015), No. 100, pp. 9-23
• [11] Yamada S., Ikehata Y., Ueno T., Nagae H., Wireless Power Transfer System for Hyperthermia Therapy, Proceedings of the 2nd Frontiers in Biomedical Devices Conference, (2007)

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).