异步计算任务定义

simulation_tasks.py 是系统的计算核心。它运行在独立的 Worker 进程中，负责处理高负载的 CPU 任务。它在模型引擎（Engine）与数据库（SQLAlchemy）之间扮演了“数据清洗与搬运工”的角色。

---

⚙️ 任务执行架构

异步任务的设计考虑了大规模科学计算中的常见问题：数据类型不匹配、内存占用过高以及长连接超时。

🛡️ 健壮性设计

任务运行策略 (Task Policy)

自动重试 (Retry)

autoretry_for 监控计算过程。若因瞬时资源不足崩溃，任务将以退避算法（backoff）重试 3 次。

超时硬限制

time_limit=180。防止因 ODE 求解器发散导致的计算无限死循环，强制终止 3 分钟未响应的任务。

上下文隔离

使用 with flask_app.app_context()，在独立进程中模拟 Flask 运行环境，以便正常使用 SQLAlchemy。

🔄 数据类型转换

Numpy 与 JSON 的桥接

计算引擎需要高性能的 numpy.array，而网络传输和数据库存储需要纯 list。

1. 入参转换：将前端传来的列表格式 table_data 恢复为 np.array，以适配底层线性代数库。
2. 中间计算：执行物理引擎模拟。
3. 出参优化：利用 optimize_calculation_data 降采样，并使用 .tolist() 将矩阵还原为 JSON 可序列化格式。

---

📑 任务处理流程

任务从进入队列到结果落地的生命周期如下：

1. 深度适配 SIM2 模型

如果任务标签为 CPD_SIM2，Worker 会执行特殊的自适应逻辑：

• 提取引擎输出的 data_front 字典。
• 同步更新快照：将优化后的参数写回 input_params，确保数据库中记录的是“经过调优后的真实参数”。
• UI 消息定制：向前端发送特定提示，告知用户参数已自动回填。

2. 双重持久化策略

任务完成后，会同时操作两个表：

• CalcRecord: 存储元数据（谁、什么时候、用了什么参数）。使用 db.session.flush() 获取生成的自增 ID。
• CalcResult: 存储巨量计算矩阵。通过外键 record_id 关联。

---

💻 关键逻辑深度解析

1. 防止序列化异常

# 核心逻辑：Worker 内部转换
if working_params.get('use_table'):
    # 仅在计算前转为 Numpy，不影响持久化层，因为 DB 不支持 Numpy 类型
    working_params['table_data'] = np.array(working_params['table_data'], dtype=float)

2. 数据库事务保护

try:
    # ... 执行 add/commit
except Exception as db_err:
    # 关键：一旦数据库写入失败，执行回滚并抛出异常触发 Celery 重试
    db.session.rollback()
    raise db_err

---

🛠️ 性能监控建议

监控项	正常范围	异常处理
任务耗时	5s - 60s	若频繁接近 180s 限制，需检查求解器步长 dt0
内存占用	200MB - 1GB	检查 optimized_results 的降采样倍率
重试频率	< 1%	若重试频繁，通常是由于输入参数导致物理模型崩溃

---

内存管理提示

代码中显式使用了 del result_payload。在处理千万级数据点时，手动释放大对象引用有助于 GC（垃圾回收）更快回收内存，防止 Worker 出现 OOM (Out of Memory) 错误。