This book provides a non-technical introduction to High Performance Computing applications together with advice about how beginners can start to write parallel programs. The authors show what HPC can offer geographers and social scientists and how it can be used in GIS. They provide examples of where it has already been used and suggestions for other areas of application in geography and the social sciences. Case studies drawn from geography explain the key principles and help to understand the logic and thought processes that lie behind the parallel programming.

This volume fills a research gap between the rapid development of High Performance Computing (HPC) approaches and their geospatial applications. With a focus on geospatial applications, the book discusses in detail how researchers apply HPC to tackle their geospatial problems. Based on this focus, the book identifies the opportunities and challenges revolving around geospatial applications of HPC. Readers are introduced to the fundamentals of HPC, and will learn how HPC methods are applied in various specific areas of geospatial study. The book begins by discussing theoretical aspects and methodological uses of HPC within a geospatial context, including parallel algorithms, geospatial data handling, spatial analysis and modeling, and cartography and geovisualization. Then, specific domain applications of HPC are addressed in the contexts of earth science, land use and land cover change, urban studies, transportation studies, and social science. The book will be of interest to scientists and engineers who are interested in applying cutting-edge HPC technologies in their respective fields, as well as students and faculty engaged in geography, environmental science, social science, and computer science.

In view of the growing presence and popularity of multicore and manycore processors, accelerators, and coprocessors, as well as clusters using such computing devices, the development of efficient parallel applications has become a key challenge to be able to exploit the performance of such systems. This book covers the scope of parallel programming for modern high performance computing systems. It first discusses selected and popular state-of-the-art computing devices and systems available today, These include multicore CPUs, manycore (co)processors, such as Intel Xeon Phi, accelerators, such as GPUs, and clusters, as well as programming models supported on these platforms. It next introduces parallelization through important programming paradigms, such as master-slave, geometric Single Program Multiple Data (SPMD) and divide-and-conquer. The practical and useful elements of the most popular and important APIs for programming parallel HPC systems are discussed, including MPI, OpenMP, Pthreads, CUDA, OpenCL, and OpenACC. It also demonstrates, through selected code listings, how selected APIs can be used to implement important programming paradigms. Furthermore, it shows how the codes can be compiled and executed in a Linux environment. The book also presents hybrid codes that integrate selected APIs for potentially multi-level parallelization and utilization of heterogeneous resources, and it shows how to use modern elements of these APIs. Selected optimization techniques are also included, such as overlapping communication and computations implemented using various APIs. Features: Discusses the popular and currently available computing devices and cluster systems Includes typical paradigms used in parallel programs Explores popular APIs for programming parallel applications Provides code templates that can be used for implementation of paradigms Provides hybrid code examples allowing multi-level parallelization Covers the optimization of parallel programs

This book presents the proceedings of the 10th International Parallel Tools Workshop, held October 4-5, 2016 in Stuttgart, Germany – a forum to discuss the latest advances in parallel tools. High-performance computing plays an increasingly important role for numerical simulation and modelling in academic and industrial research. At the same time, using large-scale parallel systems efficiently is becoming more difficult. A number of tools addressing parallel program development and analysis have emerged from the high-performance computing community over the last decade, and what may have started as collection of small helper script has now matured to production-grade frameworks. Powerful user interfaces and an extensive body of documentation allow easy usage by non-specialists.

Numerical simulation and modelling using High Performance Computing has evolved into an established technique in academic and industrial research. At the same time, the High Performance Computing infrastructure is becoming ever more complex. For instance, most of the current top systems around the world use thousands of nodes in which classical CPUs are combined with accelerator cards in order to enhance their compute power and energy efficiency. This complexity can only be mastered with adequate development and optimization tools. Key topics addressed by these tools include parallelization on heterogeneous systems, performance optimization for CPUs and accelerators, debugging of increasingly complex scientific applications and optimization of energy usage in the spirit of green IT. This book represents the proceedings of the 8th International Parallel Tools Workshop, held October 1-2, 2014 in Stuttgart, Germany – which is a forum to discuss the latest advancements in the parallel tools.

The book is divided into two parts, the first one covering the concepts and methodologies, and the second describing the tools and integrated environments that were developed in those projects. In this way, we hope that the reader will find the book useful not only concerning an identification of current trends in parallel program development, but also concerning their practical illustration through concrete tools and environments.

La localización de servicios (“Facility location” en inglés) pretende encontrar el emplazamiento de uno o más centros (servicios) de modo que se optimice una determinada función objetivo. Dicha función objetivo puede, por ejemplo, tratar de minimizar el coste de transporte, proporcionar a los clientes un servicio de forma equitativa, capturar la mayor cuota de mercado posible, etc. La localización de servicios abarca muchos campos, como la investigación operativa, la ingeniería industrial, la geografía, la economía, las matemáticas, el marketing, el planning urbanístico, además de otros muchos campos relacionados. Existen muchos problemas de localización en la vida real, como por ejemplo, la localización de hospitales, de colegios o vertederos, por nombrar algunos. Para ser capaces de obtener soluciones a los problemas de localización, es necesario desarrollar/diseñar un modelo que represente la realidad lo más fielmente posible. Dichos modelos pueden llegar a ser realmente difíciles de tratar. Muchos algoritmos de optimización global, exactos y heurísticos han sido propuestos para resolver problemas de localización. Los algoritmos exactos se caracterizan por ser capaces de obtener el óptimo global con una cierta precisión. Sin embargo, suelen ser altamente costosos desde el punto de vista computacional, lo que implica que, en determinados casos, sea imposible aplicarlos para resolver un problema. Los algoritmos heurísticos se alzan entonces como una buena alternativa. No obstante, en determinadas circunstancias, los requerimientos computacionales son tan elevados, que el uso de algoritmos heurísticos ejecutándose en procesadores estándares no es suficiente. En tales situaciones, la computación de altas prestaciones es necesaria. Esta tesis, “Solving competitive location problems via memetic algorithms. High performance computing approaches” (Algoritmos meméticos para problemas de localización competitiva. Computación de altas prestaciones), proporciona, por un lado, algoritmos heurísticos capaces de resolver problemas de localización, tanto en el dominio continuo como en el discreto y, por otro lado, técnicas paralelas que permiten reducir el tiempo de ejecución, resolver problemas más grandes, e incluso en ocasiones mejorar la calidad de las soluciones. Esta tesis incluye tres partes bien diferenciadas, cada una de las cuales se divide en varios capítulos. La primera parte Preliminaries (Preliminares), está compuesta por tres capítulos que revisan el estado actual de la optimización global, de la computación de altas prestaciones y de la ciencia de la localización, respectivamente. El Capítulo 1 comienza con la definición de los problemas de optimización, y continúa con la introducción de diferentes métodos heurísticos para tratar con ellos. El Capítulo 2 describe brevemente algunas de las arquitecturas paralelas y de los modelos de programación paralelos. Finalmente, en el Capítulo 3, se describen y analizan los principales ingredientes de la localización de servicios, y se presenta una revisión sobre problemas de localización continuos y discretos. La segunda parte de la tesis, Solving continuous location problems (Resolviendo problemas de localización continua), comienza en el Capítulo 4, donde se presenta un problema de localización competitiva en el plano y se revisan dos técnicas previamente propuestas en la literatura para resolverlo. Posteriormente, se describe una nuevo algoritmo evolutivo para resolver óptimamente el problema, llamado UEGO, y se comparan todas las alternativas. Finalmente, varias estrategias paralelas basadas en el algoritmo UEGO son analizadas y evaluadas. En el Capítulo 5, el problema de localizar un solo centro en el plano, se extiende al caso en el que la cadena o empresa quiere emplazar más de un servicio. Para abordar este problema, se adapta el algoritmo UEGO presentado en el Capítulo 4, además de otras técnicas descritas en la literatura. A través de un extenso estudio computational, todas los algoritmos son comparados y se concluye que UEGO es el mejor de todos ellos, tanto por su eficiencia como por su efectividad. UEGO es usado para realizar un estudio de sensibilidad con el fin de chequear los cambios de diseño/localización óptima cuando los parámetros del modelo cambian. Finalmente, se presentan y evalúan varias técnicas paralelas para tratar el problema de localización de varios centros. El Capítulo 6 está dedicado al problema de líder-seguidor. En dicho problema, tras la localización del líder, el competidor reacciona localizando otro nuevo centro en el lugar que maximice su propio beneficio. El objetivo del líder es encontrar la solución que maximice su beneficio, sabiendo que posteriormente, la competencia localizará un nuevo centro. Por tanto, hay que resolver dos problemas simultáneamente: el problema del seguidor, también denominado medianoide, y el problema del líder o centroide. El modelo del problema del líder-seguidor se describe al principio del capítulo. Posteriormente, se proponen y evalúan varios algoritmos para resolver tanto el problema del medianoide como el del centroide. El capítulo finaliza con la paralelización de uno de los algoritmos propuestos. La tercera parte de la tesis, Solving discrete location problems (Resolviendo problemas de localización discreta), comienza en el Capítulo 7 con una introducción sobre algunos problemas de localización discreta. Este capítulo analiza aquellos casos en los que dichos problemas podrían presentar varias soluciones óptimas. Además, se muestra cómo un usuario experimentado podría obtenerlas, y se establecen algunos criterios para seleccionar una solución óptima entre diferentes alternativas. El capítulo finaliza con la descripción del algoritmo MSH, un heurístico ampliamente usado en la literatura para la resolución de problemas de localización discreta. El Capítulo 8 describe un algoritmo genético multimodal, GASUB, capaz de resolver varios problemas de localización discreta. El algoritmo tiene diferentes parámetros de entrada que pueden ser ajustados para alcanzar diferentes metas. En este capítulo, el objetivo es obtener al menos una solución óptima, pero invirtiendo el menor esfuerzo (tiempo) computacional posible. Para tal fin, se lleva a cabo un estudio previo y se determina el conjunto de parámetros adecuado. GASUB, con este conjunto de parámetros, es comparado con el optimizador Xpress-MP y con la heurística MSH, los cuales son capaces de obtener un único óptimo global (de manera directa). Sin embargo, teniendo en cuenta que los problemas de localización discreta considerados en esta tesis pueden tener más de una solución óptima, en el Capítulo 9 se analiza la posibilidad de explotar las propiedades multimodales de GASUB. Con este fin, se propone un nuevo conjunto de parámetros, con el que GASUB es nuevamente evaluado. Finalmente, se da una paralelización de GASUB y se estudian algunas de las soluciones globales encontradas por los algoritmos. La tesis finaliza con un resumen sobre los principales resultados obtenidos y sobre la líneas de investigación futura.

As more and more hardware platforms support parallelism, parallel programming is gaining momentum. Applications can only leverage the performance of multi-core processors or graphics processing units if they are able to split a problem into smaller ones that can be solved in parallel. The challenges emerging from the development of parallel applications have led to the development of a great number of tools for debugging, performance analysis and other tasks. The proceedings of the 3rd International Workshop on Parallel Tools for High Performance Computing provide a technical overview in order to help engineers, developers and computer scientists decide which tools are best suited to enhancing their current development processes.