SC²S Colloquium - September 24, 2014

From Sccswiki
Revision as of 10:41, 18 September 2014 by Bakhtiar (talk | contribs)
(diff) ← Older revision | Latest revision (diff) | Newer revision → (diff)
Jump to navigation Jump to search
Date: September 24, 2014
Room: 02.07.023
Time: 3 pm, s.t.


Raphael Schaller: Dynamic load balancing for Riemann solvers with unsteady runtimes

The Shallow Water Equations Teaching Code uses an augmented Riemann solver, which is characterized by its varying processing time, which depends on its input parameters like the water height or the bathymetry. Due to this variation, when the simulation is calculated on a multi-core system, the cells of the simulation domain can not just be divided into equal parts, each of which is assigned to a thread. Instead, a more sophisticated dynamic load balancing strategy has to be applied in order to achieve a good utilization of the cores and thus a low overall processing time. In this talk, several of these load balancing approaches are introduced and compared to find out which one fits the augmented Riemann solver best.

Florian Zipperle: Dichtefunktion-basiertes Clustering mit periodischen adaptiven dünnen Gittern

Diese Arbeit beschreibt ein dichte-basiertes Clusteringverfahren für multi-dimensionale periodische Daten. Cluster sind definiert als Regionen mit ähnlicher Dichte, welche von Regionen mit unterschiedlicher Dichte umgeben sind. Dieser Ansatz verwendet Dünngitter um die geschätzte Dichte der Punkte zu interpolieren. Jeder Punkt wird mit seinen Nachbarn im periodischen Raum verglichen. Falls zwei Punkte eine ähnliche Dichte besitzen, werden diese durch eine Kante in einem Graph verbunden. Verschiedene Methoden werden diskutiert, um die Dichte zweier Punkte zu vergleichen. Zusammenhangskomponenten in diesem Graph bilden die verschiedenen Cluster. Dieser Ansatz wurde in C++ implementiert und als Anwendungsfall in SG++ integriert. SG++ ist ein Framework für verschiedene Dünngitter. Der Clusteringansatz wurde mit künstlichen Daten angewandt um die Resultate zu verifizieren. Am Ende wurde der Ansatz mit einem Expectation Maximization Algorithums mit realen Daten verglichen.