近期，有设计师想要一套i7-9700KF+P2000的电脑主机，主要用途是建模、设计、渲染，内存想要32G，固态+机械双硬盘方案，散热风冷，预算10000元左右。针对用户预算和要求，装机之家推荐一套电脑配置方案，当然其中也有商议调换的硬件，如果有想要预算与需求，可以参考一下，当然硬件可以按需调整。
高配组装电脑主机
这套i7-9700KF配P2000专业卡的高配组装电脑主机，搭配了Z390主板、配备双16G组建了32G双通道内存，同时搭配了250G NVMe M.2高性能固态硬盘，并配备2T机械硬盘作为存储使用，存储需求高还可以更换更大，具体的电脑配置如下。
电脑配置清单：
i7-9700KF配P2000专业卡的高配组装电脑主机
注：由于电脑硬件更新换代步伐较快，如果有产品停产请使用新产品替代。另外，硬件价格会随着行情变化会有浮动，请参考当天价格为准，以上组装电脑配置清单价格仅提供参考。
显卡均衡建议：RTX2060、RTX2060Super、RTX2070、RTX2070Super、RTX2080、RTX2080Super；
电脑硬件点评：
intel酷睿i7 9700KF基于14nm++制程工艺CoffeeLake架构设计，定位高端，采用8核8线程设计，拥有三级缓存12MB，默认主频为3.6GHz，单核睿频高达4.90GHz，全核心加速频率预计4.60GHz，性能十分强劲，并且搭配Z390主板能够支持超频，以发挥CPU最大性能，达到了高端U的水平，即便是不超频，对于游戏大作来说，性能完全溢出状态，相比上一代i7-8700K综合性能提升了15%左右。当然，如果是节省预算，也可以考虑i7-9700KF无内置核显的版本，或者选择散片CPU。
intel酷睿i7-9700KF(盒装)
i7-9700K支持超频，所以在主板上规格不能太低，无疑需要考虑支持超频的Z390主板。配置中装机之家选用的是性价比较高的技嘉 Z390 GAMING X 主板，基于Z390芯片组，CPU接口为LGA 1151，采用了ATX版型，采用8+4 PIN CPU供电，能为更高性能的8核16线程CPU带来支持。同时，它拥有4条DDR4内存插槽，两条PCI-E插槽，两个M.2高速 SSD插槽，一个前置USB 3.1 Gen1插座，各种接口一应俱全。此外，它还有魔音音效技术，并支持RGB多彩灯光系统，给你带来高级视听盛宴。
技嘉 Z390 GAMING X 主板
其它硬件介绍：
既然是设计师专用电脑配置，那么在显卡自然就不选择游戏显卡了，而是选用了丽台 Quadro P2000 5GB GDDR5图形专业卡，满足3D建模需求，当然如果你还考虑玩游戏，那么也可以替换为GTX1070/GTX1080等显卡。丽台Quadro P2000配备5GB GDDR5超大显存容量，采用了最新的Pascal GPU架构，拥有1024CUDA并行计算处理核心，最大功耗却仅为75W，设计大型且复杂的3D模型及场景、或是极需互动性的3D内容制作。
丽台 Quadro P2000 5GB显卡
内存方面，虽然ntel对内存频率并没有AMD那么敏感，但是对于这类高配电脑来说，高配电脑采用2400MHz主流频率有点说不过去，所以本文采用的是3200MHz高频率。配置中装机之家选用的是2根美商海盗船 复仇者LPX系列 DDR4 3200 16GB内存，组建了32G双通道大内存，采用纯铝散热器，黑色的配色非常的酷炫，采用8层PCB，提高了超频能力。
美商海盗船 复仇者LPX系列 DDR4 3200 16GB*2根
硬盘方面，我们推荐的是三星970 EVO Plus 250GB NVMe M.2固态硬盘，三星970EVO Plus采用三星新一代V-NAND技术和固件优化，拥有比970EVO更好的性能。970EVO Plus 的主控为三星Phoenix，闪存类型为三星 V-NAND 3-bit MLC，搭配智能TurboWrite技术，实现了速度的飞跃，相比970EVO可提升53%。三星970 EVO Plus 250GB NVMe M.2固态硬盘顺序读取速度达3500MB/s，顺序写入速度达2300MB/s。考虑到存储容量，增加了一款希捷(st)2TB 7200转机械硬盘，组建了固态+机械双硬盘方案，具备高速与大存储优势。
三星970 EVO Plus 250GB NVMe M.2固态硬盘
机箱我们选用的是先马全新推出的坦克3机箱，延续坦克机箱的荣耀征程，在外观上更加符合现在年轻人的标准，满足光污染需求。先马坦克3是一款ATX机箱，整体尺寸为447*220*510mm，可兼容165mm高度的CPU塔式散热器以及长度不超过380mm的显卡，侧面为钢化玻璃侧透，内部则采用全展示结构，电源为下置式设计，带有独立的电源仓位。
先马 坦克3机箱
而电源方面，安钛克是一家知名品牌机电品牌，安钛克VP600P额定功率600W，安钛克VP系列主打“不虚标”理念，单路12V设计，采用主动式PFC设计，保证节能的同时又能够很好的保护其他核心硬件的安全，电源外接线材充足，能够满足不同机箱的背线需求。
安钛克VP600电源
电脑配置点评：
这套i7-9700KF搭配P2000专业卡的装机方案，预算万元出头，在性能上自然不俗，主要是针对设计师人群，主打3D设计、3D制图、视频渲染，3D建模等用途。当然如果将显卡调整成游戏卡，它也是一台游戏电脑主机。

『运筹OR帷幄』原创
作者：运筹OR帷幄
编者按
实际应用问题往往具有较高的计算复杂度，而优化算法难以在实际中落地的主要瓶颈就在于无法满足实际问题对计算时间的苛刻要求。然而近年来随着计算力的蓬勃发展，并行计算和分布式计算已经在深度学习中被广泛应用。本文就带大家了解一下如何使用Gurobi求解器来进行并行计算的设置和操作，以达到加速优化算法求解的目的。
Gurobi 是目前被科研学术界和企业界广泛采用的数学规划求解器，不但内置了多种先进算法，也保持了对计算机前沿硬件技术的密切跟踪。随着计算机硬件配置升级，计算能力不断提升，利用最新计算机硬件系统进行并行计算，已经是提升算法整体效率的不可缺少的方法。并行计算不但可以发生在单台电脑中的多核多线程当中，也可以发生在多台计算机组成的集群或者网络中。针对不同的硬件配置，以及不同的算法参数设置，Gurobi 用户可以创建多种并行计算方法。
Gurobi 在官网上提供了在算法设计层面不同算法(单纯形法，内点法，分支定界法等)和并行计算的紧密关系和适用程度的说明，有兴趣的用户可以下载视频和资料观看。链接是https://www.gurobi.com/resource/parallelism-linear-mixed-integer-programming/
在这篇文章中，我们将从设置和操作的层面，介绍Gurobi几个并行计算的应用场景，解释一些并行计算的概念和操作方法。为了说明方便，我们归纳一张表格，显示了一个模型或者多个模型在一台电脑上，或者多台电脑集群上进行并行计算的方式。我们以混合整数模型为例。
一台机器内单发
这是目前最常见的使用方式。
(1)一个模型：大部分情况下，Gurobi用户创建环境对象 Env(Python语言提供默认的环境对象，用户无需显性定义)，然后由Env 产生一个模型对象，用户对于这个模型对象进行各种变量、约束和目标的添加和修改，最终通过运行 optimize()函数启动单个模型的优化。当模型优化时，Gurobi会自动根据模型结构、求解阶段和Threads等参数设置来决定使用一个或者多个线程。用户无需做额外过多设置，这个模型就已经在调用Gurobi内部的并行计算算法。
(2)多个模型：一个Env对象可以产生多个模型对象，在Gurobi 中不允许多个模型简单的同时并行计算，会产生不可预见的错误。用户可以依次串行运行，一个模型运行结束之后再运行另外一个模型。
一台机器内并发
(1)一个模型：Gurobi 允许在一台电脑内通过设置ConcurrentMIP参数，运行同一个模型的多个复制模型。这样的好处是用户可以为不同的复制模型设置不同的优化参数。多个复制模型在不同参数设置下同时运行，胜者决定最终速度。例如一台机器的核数是16核，ConcurrentMIP = 4，那么就会同时有4个同样的模型运行，每个模型占用4个核。
(2)多个模型：之前提到在Gurobi 中不允许多个模型简单的同时并行计算。当多个不同模型同时运行时，如果开发语言是C,Java,C++,.Net 等高级语言，可以采用Gurobi的异步优化函数；如果开发语言是Python，则可以利用Python的多并发进程模块。具体使用方式如下。
如果开发语言是C,Java,C++,.Net 等高级语言，可以采用Gurobi的异步优化函数。当有多个模型时，需要为每个模型创建一个环境对象 Env，由该环境对象产生对应的模型，构造模型之后，调用optimizeasync()启动异步优化。Gurobi不用等优化结束，会将语句控制权直接跳到下个语句，用户可以启动第二、第三或者多个模型。用户可以不断查看模型当前优化状态，来判断模型优化是否结束。优化结束后，需要调用sync()函数进行同步化，之后才能删除模型和环境对象。以下是一个Java 示范案例。
/* Gurobi Example for Running Multiple Models in Parallel */import gurobi.*;public class GurobiParallel {  public static void main(String[] args) {    try {      // Create three environments and start. One environment for one model      GRBEnv env1 = new GRBEnv(true);      env1.start();      GRBEnv env2 = new GRBEnv(true);      env2.start();      GRBEnv env3 = new GRBEnv(true);      env3.start();            // Create three models from mps files      GRBModel model1 = new GRBModel(env1, "misc07.mps");      GRBModel model2 = new GRBModel(env2, "glass4.mps");      GRBModel model3 = new GRBModel(env3, "p0033.mps");            // Set up parameters      model1.set(GRB.IntParam.Threads, 1);      model2.set(GRB.IntParam.Threads, 2);      model3.set(GRB.IntParam.Threads, 1);            // Start optimization      model1.optimizeasync();      model2.optimizeasync();      model3.optimizeasync();            // Check optimization status      while(true){         int completed = 0;        int status1 = model1.get(GRB.IntAttr.Status);        if (status1 != GRB.Status.INPROGRESS) {          System.out.println("Model 1 is completed!");          System.out.println("The optimal objective is " +                    model1.get(GRB.DoubleAttr.ObjVal));          completed ++;        }                int status2 = model2.get(GRB.IntAttr.Status);        if (status2 != GRB.Status.INPROGRESS) {          System.out.println("Model 2 is completed!");          System.out.println("The optimal objective is " +                    model2.get(GRB.DoubleAttr.ObjVal));          completed ++;        }                int status3 = model3.get(GRB.IntAttr.Status);        if (status3 != GRB.Status.INPROGRESS) {          System.out.println("Model 3 is completed!");          System.out.println("The optimal objective is " +                    model3.get(GRB.DoubleAttr.ObjVal));          completed ++;        }                if (completed == 3) break;         try {      Thread.sleep(500);        } catch (InterruptedException e) {      e.printStackTrace();    }            }            model1.sync();      model2.sync();      model3.sync();            model1.dispose();      env1.dispose();            model2.dispose();      env2.dispose();            model3.dispose();      env3.dispose();    } catch (GRBException e) {      System.out.println("Error code: " + e.getErrorCode() + ". " +                         e.getMessage());    }  }}
如果开发语言是Python，则可以利用Python的多并发进程模块，为每个进程创建一个 Env 对象，然后由Env 产生模型。多个模型在不同的进程内同时运行。以下是一个Python 示范案例。
import multiprocessing as mpimport gurobipy as gpdef solve_model(input_data):    with gp.Env() as env, gp.Model(env=env) as model:        # define model        model.optimize()        # retrieve data from modelif __name__ == '__main__':    with mp.Pool() as pool:        pool.map(solve_model, [input_data1, input_data2, input_data3]
多台机器间分布(集群计算)
分布计算意味着多个计算资源共同运行同一个模型，而非一个模型的多个复制模型。对于基于分支定界的Gurobi 混合整数模型而言，意味着多个计算资源作用于同一个搜索树的不同分支部分，相互协调。当模型的分支节点数量较大时，多台机器或者集群机可以有效地分担计算负载，加快搜索速度，提升求解模型的效率。
很多科研和企业配备有计算机集群，或者有数十台高性能计算机组成的计算网络，这些资源可以用来进行Gurobi分布式计算，增强复杂模型的计算能力。不论求解一个模型，还是多个模型，任何需要多台机器相互协调、分担负载、相互连通、同时运算的使用方式，都需要Gurobi的特殊分布式插件许可。
Gurobi 分布式计算需要配置一台管理机和多台工作机。管理机用于启动优化任务、配置工作机优化资源、协调和决定优化结果。而工作机则用于参与到分布式计算中。一般情况下，一台管理机启动一个优化任务。如果需要同时启动多个优化任务(多个并发模型)，则需要配置多台管理机。
(1)一个模型：在管理机上设置 DistributedMIPJOb 参数，启动模型优化任务，让多台工作机共同运行一个模型。这是典型的分布式计算方式。
(2)多个模型：如果多个模型串行时，可以参考上面单一模型运行方法，在管理机上依次串行启动模型。如果多个模型需要并行时，一个模型需要配置一台管理机。工作机可以共享，但不推荐。
多台机器间并发
除了让多台工作机运算同一个分支树的不同部分，Gurobi 分布式许可也允许每台工作机采用不同优化参数运行同一个模型的完整复制模型，哪台工作机速度快，哪台决定最终结果。
(1)一个模型：在管理机上设置ConcurrentJobs 参数，启动模型优化任务，让多台工作机的每台机器跑同一个模型的复制模型。
(2)多个模型：如果多个模型串行时，可以参考上面单一模型运行方法，在管理机上依次串行启动模型。如果多个模型需要并行时，一个模型需要配置一台管理机。工作机可以共享，但不推荐。
总结：Gurobi 提供了多种灵活方式进行单发、并发和分布式计算。用户可以结合模型的特点，以及可调用的计算资源，进行配置和操作。如果使用过程中有任何问题，可以参考软件自带的使用手册和参考手册，或者发送邮件到 help@gurobi.cn 邮箱。

并行计算：用很多台电脑去共同完成计算，每一个参与计算的电脑叫节点。
 
并行计算的方法（3步）：
1、  将数据拆分到每个节点上
思考：如何拆分，一共有几个节点，每个节点能承受的数量是多大，拆分能保证每个节点独立的计算（不能一个节点上的数据依赖另一个节点的数据）
2、  每个节点并行的计算出结果
思考：每个节点要算出一个什么结果，最后来汇总
3、  将结果汇总
思考：通过每个节点的结果来汇总出最后想要的结果。
 
 
外部排序（如何排序10G个元素）
方法：扩展的归并排序
归并排序：将数据分为左右两半，分别归并排序，再把两个有序数据归并。
如何归并：
         [1,3,6,7],[1,2,3,5]->1                 
         [3,6,7],[1,2,3,5]->1
         [3,6,7],[2,3,5]->2
         [3,6,7],[3,5]->3
         …..
两边最小的数作比较，最小的数是哪一个，把最小的放出来，当两边一样大的时候，选择左边那个。
 
外部排序：
并行计算的思路：把数据分成很多段，第一步，把数据进行切分，每一段送给一个节点去进行排序，每一段数据量小到在内存里放得下，然后各节点做普通排序就可以了（归并、快排…），排完之后，每个节点的结果都是有序的序列。
归并节点：再每个序列里一直选最小的数出来
归并节点的实现：
K路归并：
优化出一个堆
堆的好处：树根是最小的数（在1拿走后，看左右儿子，谁小谁就是新的树根，然后递归2的左右儿子）（顺着树根一直比下去，logN就能取出）
 
K路归并-库里的另一种实现：PriorityQueue（原理：优先队列）
分别把最小的push()进去，然后pop（）一个补一个
 
把一部分数据放入内存，可以作为缓冲区，不用每次补元素的时候都从硬盘取过来（这样比较慢）。
 
归并节点非常复杂，有个归并算法，还有PriorityQueue的数据结构要维护，从数据源取数据还不是一口气拿的，有时候从内存里拿，有时候从硬盘上拿。所以归并节点的程序写出来会很复杂，很难写。还好有Iterable<T>接口
 
归并：使用Iterable<T>接口
1、  可以不断获取下一个元素的能力
2、  元素存储/获取方式被抽象，与归并节点无关。
3、  Iterable<T> merge(List<Iterable<T>>sortedDate);
 
结构：
归并数据源来自Iterable<T>.next()
先充每一个数据源调用next获取他们最小的元素，加到PriorityQueue里面去，然后不断从PriorityQueue里面pop()一个元素，pop()完后再获得这个pop()元素的数据源，以此来获得下一个元素。
1、  如果缓冲区空，读取下一批元素放入缓冲区
2、  给出缓冲区第一个元素
3、  可配置项:缓冲区大小，如何获取下一批元素
好处：归并节点就不需要考虑缓冲区的情况，只要不断跟每个数据源调next即可

最近做了一个测试就是 mpi集群计算，首先两台主机需要关闭防火墙，这一点比较重要，然后ssh免密登陆需要配置，可以看我之前的博客有配置过免密登陆，方法很简单。

然后你集群的电脑都需要配置相同版本的mpi ，当所有的电脑都配置完成以后下面的就是需要配置集群信息了

因为所有的集群计算机并没有共享存储目录，可以通过ssh然后登陆对应的用户，生成相同的路径。就是你程序所存放的位置，确定所有的计算机都有对应的目录以后，然后在配置一个hosts.txt 文件，这个文件下把你集群电脑的ip存储在里面，包括本机。

具体设置参考如下博文（转）:

MPI多机器实现并行计算

需要注意的是：

它最后一行：



需要修改成：

mpiexec -f hosts.txt -n 3 ./mpi_adv_hello

附上免密登录和mpi的配置：

https://blog.csdn.net/a429367172/article/details/88586441

关闭防火墙，转自:

https://blog.csdn.net/ytangdigl/article/details/79796961