[论文解读] Parallel Delaunay Refinement: Algorithms and Analyses

Daniel A. Spielman, Shang‐Hua Teng+1 more|ArXiv.org|Jul 15, 2002

Computational Geometry and Mesh Generation被引用 6

一句话总结

该论文提出了首个可证明高效的并行Delaunay重划算法，其并行时间复杂度为多对数级，同时保持了与串行Ruppert和Shewchuk方法相同的网格质量与大小保证。通过并行插入独立点集并使用高效的并行Delaunay三角剖分，该方法在一般网格上运行$O(\log^2(L/s))$轮迭代，在准均匀网格上运行$O(\log(L/s))$轮迭代，其中$L$为区域直径，$s$为最短边长。

ABSTRACT

In this paper, we analyze the complexity of natural parallelizations of Delaunay refinement methods for mesh generation. The parallelizations employ a simple strategy: at each iteration, they choose a set of ``independent'' points to insert into the domain, and then update the Delaunay triangulation. We show that such a set of independent points can be constructed efficiently in parallel and that the number of iterations needed is $O(\log^2(L/s))$, where $L$ is the diameter of the domain, and $s$ is the smallest edge in the output mesh. In addition, we show that the insertion of each independent set of points can be realized sequentially by Ruppert's method in two dimensions and Shewchuk's in three dimensions. Therefore, our parallel Delaunay refinement methods provide the same element quality and mesh size guarantees as the sequential algorithms in both two and three dimensions. For quasi-uniform meshes, such as those produced by Chew's method, we show that the number of iterations can be reduced to $O(\log(L/s))$. To the best of our knowledge, these are the first provably polylog$(L/s)$ parallel time Delaunay meshing algorithms that generate well-shaped meshes of size optimal to within a constant.

研究动机与目标

• 开发保持串行Ruppert与Shewchuk方法网格质量与大小最优性的并行Delaunay重划算法。
• 分析Delaunay重划自然并行化方式的并行复杂度，重点关注迭代次数与工作效率。
• 设计一种并行算法，在每轮迭代中插入多个独立点，同时保持串行重划的理论保证。
• 将准均匀网格的迭代次数减少至$O(\log(L/s))$，与Chew方法的性能相匹配。

提出的方法

• 在每轮迭代中，使用候选点的最大独立集（MIS）——例如劣质网格单元的外接圆圆心——进行并行插入。
• 确保该独立集可通过2D中的Ruppert方法与3D中的Shewchuk方法顺序插入，从而保持网格质量保证。
• 利用基于距离阈值的几何独立性，通过并行算法在常数时间内构建独立集。
• 使用现有的对数时间并行Delaunay三角剖分算法（如Blelloch、Reif-Sen、Amato等人）并行更新Delaunay三角剖分。
• 通过将边与单元划分为基于长度的类别$\mathcal{E}_i$，分类分析迭代次数，追踪每轮的进展。
• 证明每步插入均能提升网格质量并减少劣质单元数量，从而在$O(\log^2(L/s))$轮迭代内收敛。

实验结果

研究问题

• RQ1 并行Delaunay重划算法能否保持与串行Ruppert与Shewchuk方法相同的网格质量与大小保证？
• RQ2 在Delaunay重划中，每轮迭代并行插入多个独立点的并行复杂度是多少？
• RQ3 能否将准均匀网格的迭代次数减少至$O(\log(L/s))$，与Chew方法一致？
• RQ4 是否存在一种可证明高效的并行Delaunay重划实现，其运行时间复杂度为多对数级？

主要发现

• 所提出的并行Delaunay重划算法在一般网格上实现$O(\log^2(L/s))$轮迭代，其中$L$为区域直径，$s$为最短边长。
• 对于准均匀网格，迭代次数减少至$O(\log(L/s))$，与Chew方法的性能相匹配。
• 独立点集可在并行环境下以常数时间构建，确保高效的负载均衡与可扩展性。
• 每个独立点集的插入均保持了Ruppert与Shewchuk串行算法的网格质量保证。
• 在使用现有$O(\log n)$时间复杂度并行Delaunay三角剖分算法的前提下，总并行时间复杂度为多对数级。
• 该框架可扩展至其他提升质量的网格生成算法（如消除细长四面体），并提示$O(\log n)$时间复杂度的实现可能实现。