کتاب صوتی بهینه‌سازی مدل‌های شبیه‌سازی اقتصادی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی مدل‌های شبیه‌سازی اقتصادی

موضوع کلی: برنامه نویسی

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

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر شبیه‌سازی اقتصادی و نیاز به بهینه‌سازی
• 2. مفاهیم پایه‌ای شبیه‌سازی اقتصادی
• 3. انواع مدل‌های شبیه‌سازی اقتصادی (تعبیری، رویداد گسسته، عامل‌محور)
• 4. مبانی محاسبات علمی
• 5. معماری کامپیوتر و تاثیر آن بر عملکرد
• 6. مبانی سخت‌افزار: CPU، GPU، حافظه
• 7. مبانی نرم‌افزار: سیستم‌عامل، کامپایلرها
• 8. مبانی زبان‌های برنامه‌نویسی برای HPC (مانند C++, Python, Fortran)
• 9. تفاوت بین برنامه‌نویسی سنتی و HPC
• 10. مفاهیم موازی‌سازی (Parallelism)
• 11. انواع موازی‌سازی (داده‌ای، وظیفه‌ای)
• 12. دستورالعمل‌های موازی (SIMD)
• 13. مسائل در موازی‌سازی
• 14. معماری‌های موازی (Shared Memory, Distributed Memory)
• 15. دستگاه‌های پردازش موازی (Parallel Processing Devices)
• 16. مدل‌های برنامه‌نویسی موازی (MPI, OpenMP, CUDA, OpenCL)
• 17. مقدمه‌ای بر MPI (Message Passing Interface)
• 18. مبانی MPI: ارسال و دریافت پیام
• 19. انواع ارتباطات در MPI (همزمان، غیرهمزمان)
• 20. کاهش (Reduce) و جمع‌آوری (Gather) در MPI
• 21. جمع‌آوری (Allgather) و پخش (Bcast) در MPI
• 22. کاهش درختی (Tree Reduce)
• 23. کارایی MPI و Bottlenecks
• 24. مقدمه‌ای بر OpenMP (Open Multi-Processing)
• 25. دستورالعمل‌های OpenMP برای موازی‌سازی رشته‌ای (Thread-based Parallelism)
• 26. مدیریت داده در OpenMP (Shared vs Private Variables)
• 27. سینکرونیزاسیون در OpenMP (Barriers, Critical Sections, Locks)
• 28. کارهای موازی در OpenMP (Parallel For Loops)
• 29. وظایف در OpenMP (Tasks)
• 30. بهینه‌سازی کد OpenMP
• 31. مقدمه‌ای بر CUDA (Compute Unified Device Architecture)
• 32. معماری GPU و مفاهیم هسته (Kernel)
• 33. مدیریت حافظه در CUDA (Global, Shared, Local Memory)
• 34. رشته‌ها (Threads), بلوک‌ها (Blocks), شبکه‌ها (Grids) در CUDA
• 35. موازی‌سازی با CUDA
• 36. بهینه‌سازی حافظه در CUDA
• 37. همگام‌سازی هسته‌ها در CUDA
• 38. انواع GPU و ویژگی‌های آن‌ها
• 39. مقدمه‌ای بر OpenCL (Open Computing Language)
• 40. مبانی OpenCL: پلتفرم، دستگاه، زمینه (Context)
• 41. کرنل‌ها (Kernels) و بافرها (Buffers) در OpenCL
• 42. مدیریت حافظه در OpenCL
• 43. برنامه‌نویسی موازی با OpenCL
• 44. تفاوت‌های CUDA و OpenCL
• 45. اصول طراحی مدل‌های شبیه‌سازی اقتصادی کارآمد
• 46. تجزیه و تحلیل مدل‌های شبیه‌سازی اقتصادی موجود
• 47. شناسایی گلوگاه‌های عملکردی (Performance Bottlenecks)
• 48. انتخاب الگوریتم‌های مناسب برای شبیه‌سازی
• 49. تکنیک‌های کاهش پیچیدگی محاسباتی
• 50. تقسیم‌بندی وظایف (Task Decomposition)
• 51. توازن بار (Load Balancing)
• 52. انتقال داده کارآمد
• 53. کاهش ارتباطات بین پردازنده‌ها
• 54. استفاده از ساختارهای داده بهینه
• 55. مدیریت حافظه در مقیاس بزرگ
• 56. تحلیل پروفایل کد (Code Profiling)
• 57. ابزارهای پروفایلینگ (Valgrind, gprof, Nsight Systems)
• 58. تفسیر نتایج پروفایلینگ
• 59. مکان‌یابی Bottlenecks در محاسبات HPC
• 60. تکنیک‌های موازی‌سازی برای مدل‌های شبیه‌سازی اقتصادی
• 61. موازی‌سازی داده‌ای در شبیه‌سازی اقتصادی
• 62. موازی‌سازی وظیفه‌ای در شبیه‌سازی اقتصادی
• 63. موازی‌سازی هیبریدی (MPI + OpenMP, MPI + CUDA)
• 64. پیاده‌سازی مدل‌های شبیه‌سازی اقتصادی با MPI
• 65. پیاده‌سازی مدل‌های شبیه‌سازی اقتصادی با OpenMP
• 66. پیاده‌سازی مدل‌های شبیه‌سازی اقتصادی با CUDA
• 67. بهینه‌سازی مدل‌های شبیه‌سازی اقتصادی با GPU
• 68. استفاده از کتابخانه‌های HPC برای شبیه‌سازی اقتصادی
• 69. کتابخانه‌های عددی (BLAS, LAPACK, cuBLAS, cuSOLVER)
• 70. کتابخانه‌های موازی‌سازی (PETSc, Trilinos)
• 71. کتابخانه‌های توزیع شده (Dask, Spark)
• 72. بهینه‌سازی کد برای معماری‌های خاص (CPU Cache, GPU Memory Hierarchy)
• 73. تکنیک‌های کاهش مصرف انرژی در HPC
• 74. مدیریت منابع در ابر (Cloud Computing for HPC)
• 75. مفاهیم محاسبات ابری
• 76. خدمات HPC در ابر (AWS, Azure, GCP)
• 77. مقیاس‌پذیری (Scalability) در شبیه‌سازی اقتصادی
• 78. معیارهای مقیاس‌پذیری (Strong vs Weak Scaling)
• 79. تجزیه و تحلیل مقیاس‌پذیری مدل
• 80. روش‌های بهبود مقیاس‌پذیری
• 81. اعتبارسنجی و صحت‌سنجی مدل‌های شبیه‌سازی بهینه‌سازی شده
• 82. تاثیرات موازی‌سازی بر نتایج شبیه‌سازی
• 83. مدیریت خطا و تحمل‌پذیری در سیستم‌های توزیع شده
• 84. تست کارایی و بنچمارکینگ (Benchmarking)
• 85. برنامه‌ریزی برای اجرای شبیه‌سازی در مقیاس بزرگ
• 86. اصول مهندسی نرم‌افزار برای پروژه‌های HPC
• 87. مستندسازی کد و مدل
• 88. توسعه افزایشی و تکراری
• 89. کنترل نسخه (Version Control)
• 90. استفاده از محیط‌های توسعه یکپارچه (IDE) برای HPC
• 91. مقدمه‌ای بر یادگیری ماشین در HPC
• 92. کاربرد یادگیری ماشین برای بهینه‌سازی مدل‌های شبیه‌سازی
• 93. یادگیری تقویتی (Reinforcement Learning) در بهینه‌سازی
• 94. شبکه‌های عصبی (Neural Networks) برای مدل‌سازی
• 95. کاربرد GPU در آموزش مدل‌های یادگیری ماشین
• 96. هماهنگ‌سازی یادگیری ماشین و شبیه‌سازی
• 97. موضوعات پیشرفته در HPC برای شبیه‌سازی اقتصادی
• 98. محاسبات کوانتومی (Quantum Computing) و تاثیر آن بر شبیه‌سازی (مقدماتی)
• 99. محاسبات ناهمگن (Heterogeneous Computing)
• 100. علم داده و HPC