C ++ або Python для розробки бібліотеки CFD

Що б ви сказали, якими були б переваги / недоліки двох підходів до кодування загальної бібліотеки (кінцевий об'єм, фем, дг) для обчислювальної механіки континууму? Ось як я зараз бачу речі, тому, будь ласка, надайте власний досвід і не спаліть мене за моє :):

1) C ++:

• загальне програмування, віртуальні функції, перевантаження, швидкість ...: всі жанрові інструменти + OOP, доступні для створення всього, що ви хочете

• Бібліотеки низького рівня доступні здебільшого (відсутність широко поширених науково-технічних розробок бібліотек, таких як Python)

2) обгортки Python + для паралельних обчислень (pyOpenCL та інші)

• величезна кількість опорних вуст різних видів

• кодуйте, що ви думаєте: реалізація робиться дуже швидко

• повільніший час виконання

Якби ви хотіли кодувати рамку, яка б підтримувала різні методи, працювала зі складними геометріями та проблемами, що б ви вибрали і чому?

Я б прагнув отримати найкраще з обох світів і кодувати "користувальницький інтерфейс" (тобто рамки функцій, які користувач вашої бібліотеки зателефонує, щоб описати геометрію та інші властивості проблеми) в Python, щоб отримати швидку Час повороту, потім запишіть час виконання імітації в C ++.

Насправді я, мабуть, спершу знущаюся над навіть часом запуску симуляції в Python, а потім замінював би його кодом C ++ по частинах. Врешті-решт, ви можете подумати про те, щоб ваш Python-код генерував джерело C ++, щоб був скомпільований і пов’язаний з вашим режимом роботи в Інтернеті, так що фактичне моделювання зовсім не потрібно запускати в Python - лише повертайте результати в кінці. Приємна річ у цій налаштуваннях полягає в тому, що вона за своєю суттю гнучка: ви починаєте з найшвидшого і найпростішого робочого рішення, швидко дізнаєтеся, що працює, а що не працює, і як тільки вам щось подобається, ви можете почати його прискорювати.

(Ось як працює вирішувач ODE / DAE Maple, за винятком використання Maple замість Python. Повне розкриття: Я працюю на них.)

Ви також можете використовувати Cython для своїх алгоритмів. По суті це Python з доданою інформацією про тип для деяких змінних, які потрібно "швидко". Він переводить код Python в код C, який згодом може бути скомпільований вашим улюбленим компілятором C. Ретельне додавання такої інформації може зробити ваш код у 150 разів швидшим, ніж наївний код Python.

Я думаю, що в цьому питанні є більше. Перш за все, розробник, як правило, віддасть перевагу тому, з чим йому / їй знайомі, крім значних переваг (наприклад, у продуктивності, часу розробки та інструментах). Особисто я віддаю перевагу продуктивності (час зазвичай є найбільш дефіцитним ресурсом!), І це сприяє вибору, близькому до моєї бази досвіду.

Можливо, це також є важливим для врахування

3) Час розвитку

• скільки часу відведено на розвиток
• коли будуть надані результати роботи? і як?
• чи вже існує код, який може виконати роботу? (унікальність?)

4) Технічне обслуговування

• скільки (людей) ресурсів приділяється на утримання?
• скільки людей потрібно працювати над кодом?
• Чи повинен бути випущений код в якийсь момент? (критерії?)
• чи буде код покладатися на сторонні бібліотеки?

5) Питання ліцензування

• код для дослідження?
• код комерційних програм?

6) Фактор продуктивності та забавки (часто не помічається!)

• Де можна бути найбільш продуктивним?
• Де можна найбільше розважитися, розвиваючись?
• Будь-які можливості бути частиною (соціальної) мережі?

Це залежить від того, чи можна ваш код записати так:

some_library_specific_type grid;

for t=0 to T do
    library_function_1(grid,...);
    library_function_2(grid,...);
end

а точніше, слід писати приблизно так:

some_home_made_mixture_of_native_types grid;

for t=0 to T do
    for all grid elements as g do
        some_function(g,...);
        library_function(g,...);
    end
end

У першому випадку виберіть те, що вам найбільше подобається кодувати; у другому випадку не використовуйте жодної мови сценаріїв і не готуйтеся страждати від часу виконання.

Як наслідок відповіді Аллана (що власний час розробника - найцінніший ресурс): Використовуйте те, що вже зробили інші. Ви говорите, що хочете розробити бібліотеку для обчислювальної механіки континууму, але вже є декілька таких, які настільки великі, що вони майже незмінно вже матимуть все, що вам потрібно. Подивіться, наприклад, на deal.II на все, що може бути записано як проблема з кінцевими елементами, OpenFOAM для динаміки рідини або PyCLAW / CLAWPACK для гіперболічних проблем. deal.II, наприклад, просить програмувати на C ++, але насправді рівень програмування часто настільки високий, що можна сказати, що це як доменна мова для FEM-кодів, що використовують синтаксис C ++.