اپلیکیشن اندرویدی فلش‌کارت آموزشی بهینه‌سازی مدل‌های شبیه‌سازی ترافیک

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی مدل‌های شبیه‌سازی ترافیک

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

• 1. مقدمه و مبانی شبیه‌سازی ترافیک**
• 2. مقدمه‌ای بر شبیه‌سازی ترافیک و اهمیت آن
• 3. چالش‌های محاسباتی در شبیه‌سازی‌های مقیاس بزرگ
• 4. آشنایی با محاسبات سطح بالا (HPC) و کاربرد آن در ترافیک
• 5. انواع مدل‌های شبیه‌سازی: میکروسکوپیک، مزوسکوپیک و ماکروسکوپیک
• 6. معیارهای کلیدی عملکرد: زمان اجرا، توان پردازشی و مقیاس‌پذیری
• 7. چرخه حیات یک پروژه شبیه‌سازی و بهینه‌سازی
• 8. آشنایی با ابزارها و پلتفرم‌های رایج (SUMO, Aimsun, Vissim)
• 9. معماری یک شبیه‌ساز ترافیک پایه
• 10. آماده‌سازی محیط توسعه و کامپایلرها
• 11. تعریف پروژه دوره: ساخت و بهینه‌سازی یک شبیه‌ساز ساده
• 12. برنامه‌نویسی و مهندسی نرم‌افزار برای شبیه‌سازی**
• 13. انتخاب زبان برنامه‌نویسی: C++ و Python برای عملکرد بالا
• 14. مبانی ساختارهای داده برای شبیه‌سازی: گراف‌ها، لیست‌های پیوندی و صف‌ها
• 15. نمایش شبکه معابر با استفاده از گراف‌ها
• 16. الگوریتم‌های مسیریابی پایه: دایکسترا و A*
• 17. اصول طراحی شیءگرا (OOP) در مدل‌سازی عامل‌ها (وسایل نقلیه)
• 18. الگوهای طراحی نرم‌افزار مرتبط: Agent, Observer, Singleton
• 19. مدیریت حافظه در C++: پوینترها، تخصیص حافظه دینامیک و پوینترهای هوشمند
• 20. کنترل نسخه با Git برای پروژه‌های تیمی
• 21. تکنیک‌های تست و اعتبارسنجی کد (Unit Testing)
• 22. اصول کدنویسی تمیز و بهینه‌سازی‌های اولیه در سطح کد
• 23. اصول مدل‌سازی ترافیک**
• 24. مدل‌سازی عامل‌محور (Agent-Based Modeling) برای وسایل نقلیه
• 25. مدل‌های پیروی از خودرو (Car-Following Models): مدل IDM
• 26. مدل‌های تغییر خط (Lane-Changing Models)
• 27. شبیه‌سازی گسسته-رویداد (Discrete-Event Simulation)
• 28. پیاده‌سازی حلقه اصلی شبیه‌سازی (Simulation Loop)
• 29. کالیبراسیون و اعتبارسنجی مدل‌های شبیه‌سازی
• 30. وارد کردن داده‌های شبکه از منابع واقعی (مانند OpenStreetMap)
• 31. مدل‌سازی تقاطع‌ها و چراغ‌های راهنمایی
• 32. شبیه‌سازی رویدادهای تصادفی و حوادث ترافیکی
• 33. تولید تقاضای سفر و ماتریس مبدأ-مقصد (OD Matrix)
• 34. تحلیل عملکرد و پروفایلینگ**
• 35. مقدمه‌ای بر پروفایلینگ و شناسایی گلوگاه‌ها (Bottlenecks)
• 36. استفاده از ابزارهای پروفایلینگ مبتنی بر نمونه‌برداری (gprof, perf)
• 37. تحلیل مصرف حافظه و شناسایی نشت حافظه (Valgrind)
• 38. تمایز بین گلوگاه‌های پردازشی، حافظه و ورودی/خروجی
• 39. قانون امدال (Amdahl's Law) و محدودیت‌های موازی‌سازی
• 40. قانون گوستافسون (Gustafson's Law) و مقیاس‌پذیری
• 41. طراحی بنچمارک‌های مؤثر برای ارزیابی عملکرد
• 42. مفاهیم بنیادی معماری کامپیوتر و HPC**
• 43. معماری پردازنده‌های مدرن: Pipeline, Superscalar, Out-of-Order Execution
• 44. سلسله مراتب حافظه: رجیسترها، کش (L1, L2, L3)، حافظه اصلی و دیسک
• 45. اهمیت محلی بودن داده‌ها (Data Locality): فضایی و زمانی
• 46. طبقه‌بندی فلین (Flynn's Taxonomy): SISD, SIMD, MISD, MIMD
• 47. مفاهیم موازی‌سازی داده (Data Parallelism) و موازی‌سازی وظیفه (Task Parallelism)
• 48. معماری حافظه اشتراکی (Shared Memory) در مقابل حافظه توزیع‌شده (Distributed Memory)
• 49. شبکه‌های اتصال داخلی (Interconnects) در کلاسترهای HPC
• 50. تفاوت هم‌روندی (Concurrency) و موازی‌سازی (Parallelism)
• 51. مفهوم مقیاس‌پذیری قوی (Strong Scaling) و ضعیف (Weak Scaling)
• 52. برنامه‌نویسی موازی با حافظه اشتراکی (OpenMP)**
• 53. مقدمه‌ای بر OpenMP و مدل Fork-Join
• 54. ایجاد ناحیه‌های موازی با دستور `parallel`
• 55. موازی‌سازی حلقه‌ها با دستور `for`
• 56. مدیریت متغیرها: `private`, `shared`, `firstprivate`
• 57. همگام‌سازی (Synchronization): `critical`, `atomic`, `barrier`
• 58. کاهش (Reduction) در عملیات موازی
• 59. شناسایی و جلوگیری از شرایط رقابتی (Race Conditions)
• 60. مشکل اشتراک کاذب (False Sharing) و راه‌های مقابله با آن
• 61. موازی‌سازی وظیفه‌گرا با `tasks` در OpenMP
• 62. کاربرد OpenMP در به‌روزرسانی وضعیت وسایل نقلیه
• 63. برنامه‌نویسی موازی با حافظه توزیع‌شده (MPI)**
• 64. مقدمه‌ای بر MPI و مدل ارسال پیام
• 65. ارتباطات نقطه به نقطه: `MPI_Send` و `MPI_Recv`
• 66. ارتباطات جمعی (Collective Communications): `MPI_Bcast`, `MPI_Scatter`, `MPI_Gather`
• 67. عملیات کاهش جمعی: `MPI_Reduce` و `MPI_Allreduce`
• 68. تقسیم دامنه (Domain Decomposition) برای شبکه‌های ترافیکی
• 69. مفهوم سلول‌های هاله (Ghost/Halo Cells) برای مدیریت مرزها
• 70. استراتژی‌های توازن بار (Load Balancing) بین فرآیندها
• 71. پیاده‌سازی مدل ترکیبی MPI + OpenMP
• 72. تکنیک‌های بهینه‌سازی پیشرفته**
• 73. موازی‌سازی در سطح دستورالعمل (SIMD) و برداری‌سازی (Vectorization)
• 74. استفاده از دستورات ذاتی (Intrinsics) پردازنده (AVX, SSE)
• 75. بهینه‌سازی کامپایلر و فلگ‌های مرتبط (`-O3`, `-march=native`)
• 76. چینش داده‌ها: ساختار آرایه‌ها (SoA) در مقابل آرایه ساختارها (AoS)
• 77. بهینه‌سازی دسترسی به حافظه کش (Cache-Oblivious Algorithms)
• 78. پیش‌واکشی داده (Prefetching)
• 79. بهینه‌سازی ورودی/خروجی (I/O) در شبیه‌سازی‌های بزرگ
• 80. استفاده از فرمت‌های داده موازی و باینری (HDF5, NetCDF)
• 81. بهینه‌سازی‌های الگوریتمی: جایگزینی الگوریتم‌های کند
• 82. محاسبات با شتاب‌دهنده‌های گرافیکی (GPU Computing)**
• 83. معماری GPU: هسته‌ها، Warp/Wavefront، حافظه اشتراکی
• 84. مقدمه‌ای بر مدل برنامه‌نویسی CUDA
• 85. مفاهیم Grid, Block, Thread در CUDA
• 86. سلسله مراتب حافظه در CUDA: Global, Shared, Constant, Local
• 87. نوشتن و اجرای اولین کرنل (Kernel) در CUDA
• 88. نگاشت عامل‌های ترافیک به نخ‌های CUDA
• 89. بهینه‌سازی دسترسی به حافظه سراسری (Coalesced Access)
• 90. جلوگیری از واگرایی انشعاب (Branch Divergence) در Warp
• 91. استفاده از عملیات اتمی (Atomic Operations) برای مدیریت تداخل‌ها
• 92. انتقال بهینه داده بین میزبان (CPU) و دستگاه (GPU)
• 93. پروفایلینگ برنامه‌های CUDA با استفاده از NVIDIA Nsight
• 94. اجرای شبیه‌سازی در مقیاس بزرگ**
• 95. کار با کلاسترهای HPC و سیستم‌های مدیریت کار (Slurm, PBS)
• 96. استفاده از کانتینرها (Docker, Singularity) برای تکرارپذیری محیط
• 97. مدیریت داده‌های خروجی حجیم
• 98. تکنیک‌های بصری‌سازی درجا (In-Situ Visualization) با ParaView Catalyst
• 99. ایجاد نقاط بازرسی (Checkpointing) برای شبیه‌سازی‌های طولانی
• 100. راهکارهای تحمل خطا (Fault Tolerance)