Rapport DEA Philippe Buhr - INSA de Lyon

More documents

Recommendations

Info

$A Guide to use Macros and Style Files in LATEX Contents$

DEA Images et SystèmesOptimisation de prédiction de couverture radiomatrices de taille N×N. Ensuite, chaque flux interne W1* et E2* sont propagés en régimepermanent grâce aux matrices internes de taille N.SCe qui fait encore 2 matrices N×N. Soit au totalEW une complexité de 6N 2 +2N 2 =8N 2E1S1N1W1NE2S2N2Figure 28 : propagation des flux vers lebasW2Nous sommes passés d’une complexité de 12N 2 à8N 2 , soit un gain de 33%.Dans le moteur, à chaque fois que l’on avaitbesoin d’une matrice montante ou d’une matricedescendante dans les phases de calcul, on chargeen fait les matrices W des 2 blocs fils et la matricede propagation interne en régime permanent.Mais en réalité nous avons laissé les objetsreprésentants les matrices montantes etdescendantes mais ces objets pointent maintenantvers les matrices W des deux fils.4.3.2 RésultatsLes tests ont été effectués dans les mêmes conditions que pour les tests de l’optimisationprécédente (partie 4.2). Les gains sont ici encore plus importants car c’est tout le cœur ducalcul qui a été modifié. On n’a plus ni matrices montantes ni matrices descendantes, nerestent que les matrices W. On peut s’attendre à un gain important en place mémoire. Pour lesmêmes raisons que précédemment, ce gain est proportionnel à la taille de l’environnement. Ilest de plus de 60% dans les deux cas (environnement de 64×64 pixels et 256×128 pixels).A nouveau, pas de gains visibles sur la phase de Preprocess , celle-ci étant complètementinchangée.En revanche les gains sont notables pour la phase BlocMatrix. En effet, par rapport à laversion initiale du moteur de propagation, on n’a à calculer ni les matrices montantes, ni lesmatrices descendantes ; ne restent que les matrices W. C’est pourquoi on observe des gains derespectivement 25% et 39% sur le petit et le grand environnement. On s’aperçoit ici encoreque le gain augmente avec la taille de l’environnement, et ce encore pour les mêmes raisons.Il n’y a toujours pas de changements visibles pour la phase PropagUp, bien que celle-ci aitmaintenant changé dans son fonctionnement : au lieu de charger directement les matrices depropagation vers le haut, on charge les matrices W du niveau directement inférieur.Un excellent gain peut être observé pour la phase de propagation descendante (PropagDown).Il est de 33% pour piece64 et de 73% pour env_test. De nombreux accès disques (pour depetites quantités de données) sont évités, accès qui sont très consommateurs en temps.Mais la principale raison reste le changement du mode de calcul et la place en mémoire vivedes matrices utilisées : le gain en complexité est d’un tiers (33%), comme nous l’avons vuprécedemment. Mais on obtient beaucoup plus en pratique.Philippe Buhr 38/42 2002/2003
DEA Images et SystèmesOptimisation de prédiction de couverture radio5 ConclusionCe DEA est basé sur un moteur de propagation en milieu intérieur basé sur une méthode depropagation de flux. Cette méthode originale a été développée par J.M. Gorce [1]. Elle partdes équations de Maxwell discrétisées et travaille directement dans le domaine de Fourier.d’autres méthodes partent aussi des équations de Maxwell discrétisées (Chopart [3] parexemple) mais toutes souffrent d’une lourdeur ne leur permettant presque pas de concurrencerles méthodes de lancer de rayons. La méthode employée dans notre cas est une méthodediscrète simplifiée qui bénéficie de la qualité de prédiction des méthodes discrètes, à l’opposédes méthodes de lancer de rayon dont la qualité de prédiction reste à améliorer.L’un des points clé de ce moteur de propagation est le découpage de l’environnement enmatériaux dont il faut connaître les paramètres physiques que sont l’indice et le coefficientd’absorption. C’est pourquoi nous avons décidé d’implanter un algorithme d’optimisation afind’identifier ces paramètres à partir de mesure. L’algorithme qui semblait s’y prêter le mieuxétait l’algorithme DIRECT. Il s’agit d’une méthode directe dont le principal avantage est lecompromis trouvé entre recherche globale et recherche locale.Cet algorithme a fait ses preuves sur un petit environnement où le coût d’une évaluation n’estpas trop élevé (1,5s). Mais nous ne sommes pas arrivés à des résultats probants sur unenvironnement réel à cause de la lenteur des calculs. En effet sur cet environnement(beaucoup plus grand que le précédent), une évaluation requière entre 4 et 6 minutes. Letemps de calcul d’une évaluation est le seul obstacle au bon fonctionnement de l’algorithme.C’est pourquoi il est important de continuer à travailler sur ce moteur de propagation afin deréduire les temps de calcul. D’ailleurs une optimisation de code portant sur deux points précisdu fonctionnement du moteur de prédiction avait été faite en début de stage, l’autre but étantla prise en main du moteur. D’autres améliorations peuvent encore être amenées, notammentau niveau du format de stockage des données, ce qui permettrait de réduire l’espace mémoirerequis.Lorsque des gains notables de temps de calcul auront été faits, DIRECT sera très efficace. Onpourrait également envisager que l’algorithme soit lancé sur des machines parallèles et quel’on puisse éditer une liste type des matériaux courants dans les bâtiments (murs en béton,séparations en plâtre, béton armé, vitres, double-vitrage,…). Peut être que DIRECT lui-mêmepourrait être améliorer en essayant de savoir à priori dans quelle dimension il sera plusefficace de diriger la recherche en premier (partie 3.6)Il serait également intéressant de comparer de manière précise les performances de ce moteur(en terme de rapport temps de calcul/qualité de la prédiction) avec celles des moteurs parlancer de rayons.Philippe Buhr 39/42 2002/2003
Page 1 and 2: Diplôme d’Etudes ApprofondiesIma
Page 3 and 4: DEA Images et SystèmesOptimisation
Page 37: DEA Images et SystèmesOptimisation

Rapport DEA Philippe Buhr - INSA de Lyon

Create successful ePaper yourself

Delete template?

Save as template?