R2017a 新增功能 parsim的Simulink 模型并行仿真简单介绍

R2017a 新增功能 parsim的Simulink 模型并行仿真简单介绍,第1张

很久以前,我曾写了一系列帖子重点介绍并行运算,以及并行运算需要考虑的种种情况。在 R2017a 里,新增加了一个功能 parsim,让这一切都变得简单多了。我们来看看这个新的 parsim 是怎么工作的!

注:这里的并行运算指的是一个模型在不同的参数配置下运行多次,并非把一个模型拆分在不同的核上并行的内容。
 

Simulink.SimulaTIonInput

我们在用并行运算工具箱来多次运行模型的时候,一般都会改变些什么,来实现不同的仿真。

在这里,我们可以通过 Simulink.SimulaTIonInput 对象来实现。首先,我们为模型新建若干个 Simulink.SimulaTIonInput 对象,然后通过它来定义不同的配置,包括初始状态、模型参数、模块参数、输入信息以及模型使用的各种变量。

这是一个简单的碰撞模型:

R2017a 新增功能 parsim的Simulink 模型并行仿真简单介绍,R2017a 新增功能 parsim的Simulink 模型并行仿真简单介绍,第2张

配置不同的 ResTItution 系数,再实现并行仿真,如下图:

R2017a 新增功能 parsim的Simulink 模型并行仿真简单介绍,R2017a 新增功能 parsim的Simulink 模型并行仿真简单介绍,第3张

我们从 -0.9 到 -0.2 取 10 个不同的系数值,然后构造了一个长度为 10 的Simulink.SimulationInput 对象数组。接着使用 setBlockParameter 方法,给指定的模块 blk 的参数 'Gain' 设置了不同的值。最后调用 parsim ,把Simulink.SimulationInput 数组作为输入参数,进行并行运算。

计算完毕,就会得到一组Simulink.SimulationOutput 作为返回值。

一些更真实的场景应用

在工作空间定义变量

在 parsim 出来之前,模型并行仿真的一大难点在于怎么去管理模型里的各种变量。我在之前的贴子里还介绍了各种管理攻略,比如各个模块的参数值不再直接写在对话框里,而是使用脚本来构造。比如这里的重力加速度 g 和恢复系数 Cr。

R2017a 新增功能 parsim的Simulink 模型并行仿真简单介绍,R2017a 新增功能 parsim的Simulink 模型并行仿真简单介绍,第4张

输出的处理

在很多情况下,仿真会产生大量数据。尤其在远程计算机集群上仿真的时候,一般都不需要传递全部的数据。所以,我们可以对这些记录的数据做后处理,然后传递我们真正感兴趣的那部分。

如下图,这里构造了一个后处理函数 detectFallen,输入仿真结果,返回一个结构体。这里返回的是球跳了多长时间,以及d跳了多少次。

R2017a 新增功能 parsim的Simulink 模型并行仿真简单介绍,R2017a 新增功能 parsim的Simulink 模型并行仿真简单介绍,第5张

接着,我们跟刚才一样构造 Simulink.SimulationInput 对象数组。有所不同的是,这里是使用 setVariable 方法来为 workspace 里的变量 Cr 设置不同的值。之后,把刚才构造的函数句柄赋给 Simulink.SimulationInput 对象的 postSimFcn 属性。

代码如下:

R2017a 新增功能 parsim的Simulink 模型并行仿真简单介绍,R2017a 新增功能 parsim的Simulink 模型并行仿真简单介绍,第6张

注意,在调用 parsim 时,我还使用了 UseFastRestart 来进一步加速仿真。这样设置后,模型在每一个 worker 上只会编译以及初始化一次。

错误处理

我喜欢 parsim 的另一个地方是它对仿真出错的处理方法。

比如下面这个例子,返回的 Simulink.SimulationOutput 对象里包括了错误提示信息以及错误发生之前仿真数据。

R2017a 新增功能 parsim的Simulink 模型并行仿真简单介绍,R2017a 新增功能 parsim的Simulink 模型并行仿真简单介绍,第7张

这些信息可以帮助我们理解模型哪里出了错,也不需要重新仿真模型。

如果你基于这些记录数据,也看不出模型哪里出了问题,那么你还可以在本地机器上使用同样的参数配置来重新运行模型。这时候,你可以使用 SimulaitonInput 对象的 applyToModel 方法。

就如它名字所说,这个函数会把这个 SimulationInput 对象里的信息来配置本地模型,包括模型配置、参数值、变量值。这样你就可以很容易得到一个跟远程出错的模型一模一样的模型,在本地调试。

注:比如 sldemo_bounce2.slx,对应的 in(1) 里指定了比如 Cr 值是0.9,那么 in(1).applyToModel 就会自动把这个模型用到的 workspace 里的 Cr 修改为0.9,等等。

欢迎分享,转载请注明来源:内存溢出

原文地址: http://outofmemory.cn/dianzi/2717205.html

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2022-08-17
下一篇 2022-08-17

发表评论

登录后才能评论

评论列表(0条)

保存