1. 课程导入与仿真计算集群概览

仿真计算是工程与科研中一类非常典型的计算负载：它把物理模型离散成网格或粒子，再通过数值方法在时间或空间上推进求解。与普通 Web 服务、批处理脚本相比，仿真任务有几个鲜明特征——计算密集、内存占用大、运行时间长、任务之间常存在依赖关系。例如一个结构强度分析可能先做网格划分，再依次执行多个载荷步求解，最后做结果后处理；一个流体仿真可能把大网格切成若干分区并行求解，再合并结果。这些特征决定了仿真任务不能简单地"一台机器跑一个程序"，而需要集群与调度系统来统筹资源。

仿真计算集群通常由若干类节点组成：登录节点供用户提交任务、编辑脚本；管理/调度节点运行调度器与数据库；计算节点承担真正的数值计算，往往按 CPU 核数、内存容量、是否配备 GPU 或高速互联划分为不同队列；存储节点提供共享文件系统，让所有计算节点看到同一份输入与输出。节点之间通过 InfiniBand 或高速以太网互联，跨节点并行时通信性能直接影响求解效率。理解这套体系结构，是理解调度行为的前提：调度器并不是在"分配一台电脑"，而是在一组异构资源上为任务寻找满足约束的位置与时刻。

所谓调度问题，可以形式化地描述为：给定一组待运行任务（每个任务有核数、内存、预计时长、优先级、依赖关系等需求），以及一组可用资源（每个节点有核数、内存、GPU、队列限制等容量），在满足约束的前提下决定每个任务的开始时间与运行位置，并优化某个目标，如平均等待时间、集群利用率、任务完成时间或公平性。它的核心挑战来自多个方面：资源是离散且异构的，任务需求是动态到达的，运行时长往往难以准确预估，还存在依赖、抢占、预留、公平共享等复杂策略。因此调度既是算法问题，也是工程配置问题。

从调度器视角看，上面这张图里的每个对象都对应真实约束：Job-101 需要 32 核，只能落在空闲核数足够的节点；Job-103 需要 2 块 GPU，只有 GPU 节点 C 能满足；Job-105 依赖 Job-104 完成，即使资源空闲也不能提前启动。调度器要同时处理"资源够不够""依赖满没满足""队列允不允许""优先级高不高"这几类判断，这正是调度问题的复杂性所在。

本课程的学习路径围绕"从理解到动手"展开。首先建立对仿真任务特征与集群结构的整体认知，然后逐步深入调度器的核心机制：队列与分区如何划分、资源请求如何表达、优先级与公平策略如何影响排队顺序、依赖与数组任务如何组织、抢占与预留如何配置。在此基础上，我们会进入实战环节：编写可提交的作业脚本、用命令行查看队列与节点状态、诊断任务长时间排队（Pending）的原因、分析任务失败（Failed / Node Fail）的日志线索，并尝试用回填、资源预留、队列调优等手段改善调度效果。