在追求航空器设计极致性能与效率的今天，高性能计算（HPC）已成为推动多学科设计优化（MDO）发展的核心引擎。我国自主研发的新一代神威超级计算机，以超过10万个SW26010-Pro处理器节点、1.5 Exaflops峰值性能能力，为复杂工程系统的超大规模、高精度仿真与优化提供了前所未有的硬件平台。其澎湃算力，预示着在航空航天、船舶、能源等关键领域实现变革性突破的潜力。然而，将这种理论上的潜力转化为实际工程应用效能，面临着严峻的挑战。

   新一代神威超算采用独特国产申威处理器、并实施严格“编译-执行”环境隔离（登录节点与计算节点架构异构、工具链隔离）的先进系统，对软件生态的适配性提出了极高的要求。当前主流开源MDO工具链（如基于PETSc、OpenMDAO等的框架）虽功能强大，但其开发与部署长期围绕国际主流x86生态进行，存在着显著的应用生态短板。这种不匹配直接导致了两个关键问题：

• 性能潜力难以释放： 工具链底层核心库（如PETSc、METIS、特定求解器等）缺乏对申威架构的原生优化和深度适配，无法充分利用“新一代神威超算”的异构计算优势和超大规模并行能力，计算效率远低于预期。

• 部署运行困难重重： 强制性的交叉编译环境、复杂的手动库依赖配置、自动化安装工具（pip, setup.py）在计算节点被禁用、以及对动态库兼容性的特殊要求等技术壁垒，使得在“新一代神威超算”上安装和调试庞大的开源MDO工具链变得极其复杂和脆弱，成为阻碍其实际应用的首要障碍。

  本文将聚焦于以上核心挑战，简要阐述如何在新一代超算平台上成功安装、调试并运行一套完整的开源MDO工具链。

01 痛点：航空仿真的“卡脖子之锁”

1.1 新一代神威超算环境特点

  1. 强制分离编译与执行

    登录节点：唯一允许使用交叉编译器的环境，开发者需手动将C/C++扩展库编译为国产处理器适配的二进制文件（如.a静态库或指定路径的.so动态库）。

    计算节点：仅支持运行预编译库，禁用pip install、setup.py等自动化编译安装工具，避免直接调用不兼容的本地编译器。

  2. 库安装高度依赖手动操作

    编译流程复杂：需人工指定交叉编译器路径（如SWGCC）、硬件指令集参数（-march=sw）、依赖库链接路径（-L/path/to/lib）等，配置错误将导致编译失败。

  3. 异构环境隔离

  登录节点与计算节点硬件架构不同（如神威处理器），编译器工具链严格隔离，强制交叉编译。

  4. 定制化开发程度高

  开发者需深度介入编译流程，手动指定CFLAGS、LDFLAGS等参数，适配目标环境。

1.2 两大痛点

    硬件隔离：申威处理器与国际x86软件指令集不兼容

    环境隔离：编译（登录节点）与运行（计算节点）严格分区，禁用自动化工具

1.3 “三无困境”

    无适配：PETSc、Adflow等底层库缺乏动态库的移植经验

    无协同：气动/结构/优化工具链断链

    无验证：各模块无法进行大规模并行测试（缺少算例）、气动|结构耦合优化效率未知

02 MDO工具链介绍

2.1 MDO软件包整体介绍

    密歇根大学的 MDO 实验室开发了具有高保真度 （MACH） 框架的飞机配置的 MDO。主要包含软件有：cgnsUtilities、baseclasses、pySpline、pyGeo、IDWarp、ADFlow、pyOptSparse、multipoint等。

2.2 总结对比

表 1 基础软件库总结

2.3 整体架构

表 2 整体架构

03 破局：三大核心技术攻坚战

3.1 编译器“穿墙术”

  1. Cmake安装方式

文件头部增加
set(CMAKE_SYSTEM_PROCESSOR sw_64)
set(CMAKE_C_COMPILER swgcc)
set(CMAKE_Fortran_COMPILER swgfortran)

  2. configure+make安装方式

• petsc配置命令

./configure --with-shared-libraries=1 AR=swar RANLIB=swranlib --LD_SHARED=-mdynamic --LDFLAGS="-fPIC  -mdynamic" CFLAGS="-fPIC -mieee" CXXFLAGS="-fPIC -mieee" FFLAGS="-fPIC -mieee" FCFLAGS="-fPIC -mieee" --with-scalar-type=real --with-mpi-dir=/usr/sw/mpi/mpi_current --with-batch=1 --download-fblaslapack=/home/export/online1/mdt00/shisuan/swgf_wx/chaos/dafoam/packages/petsc_lib/externalpackages/petsc-pkg-fblaslapack.tar.gz

  3. Makefile方式

• TACS举例：

修改makefile.in
PYTHON = swpython
EXTRA_CC_FLAGS = -fPIC -O0 -g -mieee
SO_LINK_FLAGS=-fPIC -shared -mdynamic
LAPACK_LIBS = -L/~/lapack-3.10.1/build/lib -llapack -lpthread -lblas -lmpi
METIS_INCLUDE = -I${METIS_HOME}/include/ -I/usr/sw/mpi/mpi_current/include

  4. python安装库时的编译问题

# 传统流程（崩溃）
pip install pyGeo  # 在计算节点触发编译 → 失败!  
# 神威方案（突围）
swgcc -mdynamic -fPIC *.c → 登录节点编译核心库 
swpython setup.py install → 计算节点纯安装

3.2 动态库“复活术”

1. 目标

    修复PETSc、Transform动态库引用时的nonzero padding致命错误。

2. 挑战

    编译链接的库在神威平台无法识别。

3. 解决方案

    成功安装后，会生成 petsc.so 动态库，但是该库如果直接使用会报错nonzero padding in e_ident。这是由于系统架构导致的，两种方法可以解决该问题。

• 方法1：将链接好的petsc.so下载到本地，使用软件winhex打开，将第9位数字2改为0，替换即可。
• 方法2：手动将编译好的文件进行链接

3.3 多节点“并行术”

  超算平台的MPI函数实现不够全面，有些函数存在问题，例如MPI_Scatterv、MPI_Gatherv、MPI_Allreduce。如果逐个对程序的源码进行修改，存在耗时长、难定位、难测试等问题。比较好的解决办法是自己在底层mpi函数的基础上实现一套包含几个问题函数的动态库，在程序链接的时候把这个动态库加上。

  以MPI_Allgatherv函数举例：

int MPI_Allgatherv(const void *sendbuf, int sendcount, MPI_Datatype sendtype,
                      void *recvbuf, const int recvcounts[], const int displs[],
                      MPI_Datatype recvtype, MPI_Comm comm) {
    int mpi_errno = MPI_SUCCESS;
    int rank;
    MPI_Comm_rank(comm, &rank);
    if (sendbuf == MPI_IN_PLACE) {
        MPI_Aint lb, extent;
        mpi_errno = MPI_Type_get_extent(recvtype, &lb, &extent);
        if (mpi_errno != MPI_SUCCESS) return mpi_errno;
        // 获取当前进程的发送数据长度
        int my_sendcount = recvcounts[rank];
        MPI_Aint send_size = my_sendcount * extent;
        // 创建临时发送缓冲区
        void *tmp_sendbuf = malloc(send_size);
        if (!tmp_sendbuf) return MPI_ERR_UNKNOWN;
        // 从recvbuf的对应位置拷贝数据到临时缓冲区
        char *src = (char *)recvbuf + displs[rank] * extent;
        memcpy(tmp_sendbuf, src, send_size);
        // 调用标准Allgatherv，发送类型和接收类型均为recvtype
        mpi_errno = my_MPI_Allgatherv(tmp_sendbuf, my_sendcount, recvtype,
                                   recvbuf, recvcounts, displs, recvtype, comm);
        free(tmp_sendbuf);
    } else {
        // 正常调用标准Allgatherv
        mpi_errno = my_MPI_Allgatherv(sendbuf, sendcount, sendtype,
                                   recvbuf, recvcounts, displs, recvtype, comm);
    }
    return mpi_errno;
}
//其中my_MPI_Allgatherv函数是用MPI_Allgather实现的

04 测试成果

4.1 气动结构耦合优化算例并行测试

  1. 算例参数

  2. 测试目的

  验证气动网格规模从3万增至21万时，流固耦合优化框架在多节点并行环境下的计算效率与稳定性。

  软硬件环境：

•   硬件：新一代神威超算，超过十万核组。
•   软件：神威加速计算架构SACA

  3. 测试结论

  算例成功完成21万网格规模的流固耦合优化，验证了框架处理高分辨率模型的能力。多节点并行效率满足预期，气动/结构求解器协同稳定，为大规模工程优化提供可靠基础。

图 1 优化目标收敛曲线

图 2 压力云图

图 3 失效准则云图

4.2 气动结构耦合优化多工况并行测试

  1. 算例描述

  在前一个节气动结构耦合优化算例的基础上，增加工况数，保持优化目标，设计变量和约束不变。划分通信域，使得各个工况直接得以并行。

  2. 测试目的

  测试并行规模与并行效率，通过通过扩展工况数目，同时逐步增加核心数，直至总核心数超百万。

  3. 测试结论

  由测试结果可以看出，随着核心数的增加，并行效率出现了下降，百万核心相较于十万核心的并行效率为89.65%，符合预期。

效率图 4 并行

05 结语

  开源MDO工具链在新一代神威超算平台上的成功安装和调试，标志着国内首条完整适配国产申威处理器超算环境的开源MDO工具链实现了从“单点工具可用”到“全链路贯通”的重大突破。该成果不仅解决了航空仿真领域的“卡脖子”难题，还为国产处理器平台的软件生态建设提供了可行路径，具有显著的技术突破价值和深远的产业应用意义。