目前进度记录

目前已经把之前记录的方法都实现了，目前的主函数可以写的更简单比如

int main(int argc, char* argv[])
{

    KernelClass::create_kernel();

    MPI_Init(&argc, &argv);
 
    kernel().mpi_manager.init_mpi(argc, argv);

     //创建种群
    int group1 = kernel().conn_manger.create(2);
    int group2 = kernel().conn_manger.create(2);
    int group3 = kernel().conn_manger.create(1);
    std::cout << "一共创建了" << kernel().conn_manger.get_neuron_size() << std::endl;
    //种群之间的连接
    SynapseParams s;
    s.delay = 1.5;
    s.weight = 0.2;

    kernel().conn_manger.connect(group1, group2, 1.0);
    kernel().conn_manger.connect(group2, group3, 1.0, s);

    //进行图分区
    kernel().conn_manger.partition_network();

    //所有管理类的参数和变量的初始化
    kernel().initialize();
    //神经元和突触的实例化
    kernel().conn_manger.generateSynapseAndNeuron();
    
    //设置仿真的参数
    double dt = 0.1; //时间戳

    double sim_time = 20; //仿真时间（ms）
    int slice = static_cast(sim_time / kernel().conn_manger.get_min_delay());//总共要执行循环数

    double current_time = 0;

    Time clock; //模拟时钟，每个切片更新一次

    int from_step = 0,to_step = kernel().conn_manger.get_min_delay();
    
    //开始仿真
    std::cout << "开始仿真" << std::endl;
    MPI_Barrier(MPI_COMM_WORLD);

    for (int timestep = 0; timestep < slice; timestep++)
    {
        if (kernel().mpi_manager.get_rank() == 0)
        {
            std::cout << "---------------------------------------" << std::endl;
        }

        //更新神经元
        const std::vector< Neuron* >& local_nodes = kernel().conn_manger.get_local_nodes();
        for (auto node : local_nodes)
        {
            (*node).update(clock, from_step, to_step);
        }
        //设置目前的时间
        kernel().sim_manager.set_slice_origin(clock);

        // 传递脉冲
        kernel().event_manager.gather_spike_data();
        //管理时间
        clock.advance_time(kernel().conn_manger.get_min_delay());
        //更新双缓冲
        kernel().event_manager.update_moduli();
        

    }
    std::cout << "结束仿真" << std::endl;
    MPI_Finalize();
    kernel().finalize();
    KernelClass::delete_kernel();
}

运行结果如下

我优化了很多的方面。最大的优化在脉冲传输阶段

我使用了

// key代表神经元的gid，value代表需要通信的进程号
std::unordered_map> comm_proccess;

 这样的数据结构，使用set为了避免重复的脉冲发送，使用这个数据结构的好处是，可以不在使用全局的邻接表，减少了内存的占用。而且减少了代码量。目前基本上已经完成了大部分的基础工作，接下来我希望能够在我代码中实现STDP的机制。