基于openMP的并行计算实验.docx

1、基于openMP的并行计算实验并行计算实验报告 课程：并行计算 * 学号：*44 班级：计算机科学与技术13-2班 日期：2015年12月7日实验一：OpenMP基本使用一、实验目的 1、熟悉OpenMP编程。 2、比较串行算法与并行算法在执行时间上的差别； 3、考察线程数目使用不同对并行算法执行时间的影响； 4、考察运算规模N对串、并行算法执行时间上的影响。二、实验内容 1、使用OpenMP进行两个矩阵A和B的加法，并分析串行、并行时间的差别以及问题规模对程序运行时间的影响三、实验步骤 1、整个程序的设计流程 全局变量设置三个宏定义过的sizesize的二维数组啊a,b,c。 初始化a数组为

2、全1，b数组为全2 通过omp_set_num_threads()库函数设置线程数 调用openMP库函数omp_get_wtime()获取当前时间start #pragma omp parallel for开始做并行区部分 结束后再次调用omp_get_wtime()获取时间end，end-start即为并行消耗时间 再次调用时间函数更新strat 串行做一边矩阵相加 更新end,end-start即为串行耗时 代码如下： #include#include#define size 10000using namespace std;int asizesize, bsizesize, csize

3、size;int main() for(int i=0;i!=size;+i) /initial the matrix for(int j=0;j!=size;+j) aij=1; bij=2; double start=omp_get_wtime(); omp_set_num_threads(4);#pragma omp parallel for for(int i=0;isize;+i) for(int j=0;jsize;+j) cij=aij+bij; double end=omp_get_wtime(); cout并行运行时间：end-startendl; start=omp_get

4、_wtime(); for(int i=0;isize;+i) for(int j=0;jsize;+j) cij=aij+bij; end=omp_get_wtime(); cout串行运行时间：end-startendl; system(pause); 2、问题规模对串、并行程序时间的影响(A、B矩阵的大小为N*M) (1)通过不断增加问题规模，观察串行和并行程序的执行时间，得到如下表格的时间消耗数据：100*1001000*100010000*10000串行消耗(ms)0.034.36296.91并行消耗(ms)7.069.54182.27 (2)可以发现，当矩阵规模较小时，串行算法仍然

5、要比并行算法运行的快，当规模到达一定程度的时候，并行运行的速度较串行有了提升。 并行算法对各个CPU的调度也占用一定的时间，当问题规模很小的时候，这个调度时间占了很大的比重，而在规模较大的时候，这个调度时间就显得微乎其微了 3、线程数目对并行程序的影响（这里假设问题规模为：N*M=10000*10000） (1)在使用OpenMP进行并行执行矩阵加法时，我们可以自由设置进行并行计算的并行线程数目。 (2)在并行区域中，通过函数int omp_set_num_threads(int)设置并行区域中要创建的线程数，分别设置为2、4、8、16，得到如下表格的时间消耗24816并行消耗(ms)262.

6、73205.12248.97295.38 (3)观察发现，在问题规模不变的前提下，随着线程数目的增加，问题解决的时间也在相应的减少。但是，问题消耗的时间并不会随着线程数目的增加而不断的减少，原因可能是因为，随着线程数目的增减，线程的额外准备时间开销也将扩大。四、心得体会 通过本次实验，了解了openMP库函数，掌握了openMP最基本的多线程程序编写。通过分析比较串并行运行时间，体会了不同规模下串并行的使用效果。实验二：使用OpenMP实现圆周率计算的并行算法一、实验目的1、考察问题规模N对圆周率计算精确度的影响；2、考察线程数目对圆周率计算执行时间的影响；3、比较串、并行算法在执行时间上的差

7、别。二、实验内容 1、使用OpenMP和近似计算公式计算圆周率的大小，并分析串行、并行时间的差别以及问题规模对程序运行时间的影响三、实验步骤 1、整个程序的设计流程 全局变量设置宏size，用来描述计算范围 利用如下公式准备计算圆周率的近似值 通过omp_set_num_threads()库函数设置线程数 调用openMP库函数omp_get_wtime()获取当前时间start #pragmaompparallelforreduction(+:sum)开始做并行区部分注意：其中sum是共享的，因为是个连续和的问题，采用reduction之后，每个线程根据reduction（+: sum）的声

8、明算出自己的sum，然后再将每个线程的sum加起来。避免各个线程共享sum资源时出现问题 结束后再次调用omp_get_wtime()获取时间end，end-start即为并行消耗时间 再次调用时间函数更新strat 串行做一边矩阵相加 更新end,end-start即为串行耗时 代码如下： #include #include #definesize10000000 usingnamespacestd; intmain() doublesum=0,start,end; omp_set_num_threads(4); start=omp_get_wtime(); #pragmaompparall

9、elforreduction(+:sum) for(inti=0;isize;+i) sum+=4/(1+(0.5+i)/size)*(0.5+i)/size)*1/size; end=omp_get_wtime(); cout并行时间:end-startendl; sum=0; start=omp_get_wtime(); for(inti=0;isize;+i) sum+=4/(1+(0.5+i)/size)*(0.5+i)/size)*1/size; end=omp_get_wtime(); cout串行时间:end-startendl; cout.precision(20); cout

10、：sumendl; system(pause); 2、问题规模对串、并行程序时间的影响(N的大小影响时间) (1)通过不断增加问题规模，观察串行和并行程序的执行时间，得到如下表格的时间消耗数据：100010000010000000串行消耗(ms)0.044.10365.70并行消耗(ms)4.6015.04188.48 (2)可以发现，当规模较小时，串行算法仍然要比并行算法运行的快，当规模到达一定程度的时候，并行运行的速度较串行有了提升。 并行算法对各个CPU的调度也占用一定的时间，当问题规模很小的时候，这个调度时间占了很大的比重，而在规模较大的时候，这个调度时间就显得微乎其微了 3、线程数目

11、对并行程序的影响（这里假设问题规模为：N=100000） (1)在使用OpenMP进行并行执行运算时，我们可以自由设置进行并行计算的并行线程数目。 (2)在并行区域中，通过函数int omp_set_num_threads(int)设置并行区域中要创建的线程数，分别设置为2、4、8、16，得到如下表格的时间消耗24816并行消耗(ms)3.263.233.1430.9 (3)观察发现，在问题规模不变的前提下，随着线程数目的增加，问题解决的时间也在相应的减少。但是，问题消耗的时间并不会随着线程数目的增加而不断的减少，原因可能是因为，随着线程数目的增减，线程的额外准备时间开销也将扩大。四、心得体会

12、 通过本次实验，进一步深入了openMP的编程，对openMP各线程共享资源、各自拥有自己的资源有了初步认识。再一次体会到了并行计算给大规模计算带来的便利性。实验三：使用OpenMP求最大值一、实验目的 1、掌握求最大值的并行算法 2、比较串行算法与并行算法在执行时间上的差别； 3、考察线程数目使用不同对并行算法执行时间的影响；二、实验内容 1、使用OpenMP求一个乱序数列的最大值，并分析串行、并行时间的差别以及问题规模对程序运行时间的影响三、实验步骤 1、整个程序的设计流程 本程序实现了平衡树算法，但由于处理器数目有限，并行结果反而不如串行，不过当处理器足够多时（理想情况为数组长度的一半）

13、时，并行会有大的提升。这里只讲一下平衡树算法思路。1全局变量设置numsize的二维数组，最后一维用来保存数列其中：num=log(size-1)/log(2)+1;表示平衡树的高度 初始化最后一维数组 通过omp_set_num_threads()库函数设置线程数 调用openMP库函数omp_get_wtime()获取当前时间start #pragma omp parallel for开始做并行区部分 结束后再次调用omp_get_wtime()获取时间end，end-start即为并行消耗时间 算法核心部分： 算法先处理最后一层平衡树(假设个数为n)，两个数据一组比较，取大的，生成新的一

14、层平衡树(个数为n/2或者(n+1)/2),放在二维数组的上一维。迭代处理每一层，最后使得新的一层个数为1，这个值就是最大值，即a11; 并行处理每一层平衡树 代码如下： #include#include#includeconst int size=10000;using namespace std;int asize+1size+1;int main() int num=log(size-1)/log(2)+1; for(size_t i=1;i=size;+i) /初始化 anumi=i; int m=0; double start=omp_get_wtime(); for(size_t

15、i=1;i=m) m=anumi; double end=omp_get_wtime(); cout串行:end-start=0;k-)#pragma omp parallel for for(int j=1;jamax) akj=ak+1amax; else akj=ak+12*j-1ak+12*j?ak+12*j-1:ak+12*j; end=omp_get_wtime(); cout并行:end-startendl; system(pause); 2、问题规模对串、并行程序时间的影响(数列长度为N) (1)通过不断增加问题规模，观察串行和并行程序的执行时间，得到如下表格的时间消耗数据：N

16、100100010000串行消耗(ms)1.23e-61.35e-53.4e-5并行消耗(ms)0.00310.03600.047 (2)可以发现，并行总是比串行慢。 主要原因是：平衡树算法对处理器个数有很高的要求，在处理器个数达到问题规模的一半的时候才有最好的效果，本机只有4个线程，线程的调度反而使得整个时间消耗比串行多。 3、线程数目对并行程序的影响（这里假设问题规模为：N*M=10000*10000） (1)在使用OpenMP进行并行执行矩阵加法时，我们可以自由设置进行并行计算的并行线程数目。 (2)在并行区域中，通过函数int omp_set_num_threads(int)设置并行区

17、域中要创建的线程数，分别设置为2、4、8、16，得到如下表格的时间消耗24816并行消耗(ms)0.0060.0040.040.06 (3)观察发现，在问题规模不变的前提下，随着线程数目的增加，问题解决的时间也在相应的减少。但是，问题消耗的时间并不会随着线程数目的增加而不断的减少，原因可能是因为，随着线程数目的增减，线程的额外准备时间开销也将扩大。四、心得体会 通过本次实验，学会了平衡树的算法设计思想，见识到了高性能计算在庞大任务规模面前的解决问题的能力。在实验的过程中使用平衡树没有得到理想的结果，也说明了高性能计算在处理器方面的限制。实验四：使用OpenMP计算矩阵相乘一、实验目的 1、掌握

18、矩阵的乘法的串、并行算法 2、比较串行算法与并行算法在执行时间上的差别； 3、考察线程数目使用不同对并行算法执行时间的影响；二、实验内容 1、给定两个矩阵AN,M1和BM1,M的乘积，即求CN,M=AN,M1*BM1,M。三、实验步骤 1、整个程序的设计流程 计算矩阵的乘法，简单的使用三重循环完成，并行对最外层循环并行计算1全局变量设置3个数组：aM+1N+1,bN+1M+1,cM+1M+1 初始化三个数组 通过omp_set_num_threads()库函数设置线程数 调用openMP库函数omp_get_wtime()获取当前时间start #pragma omp parallel for

19、开始做并行区部分 结束后再次调用omp_get_wtime()获取时间end，end-start即为并行消耗时间 代码如下： #include #include #defineM500 #defineN500 usingnamespacestd; intaM+1N+1,bN+1M+1,cM+1M+1; intmain() /initarray for(inti=1;i=M;i+) for(intj=1;j=N;j+) aij=1; for(inti=1;i=N;i+) for(intj=1;j=M;j+) bij=2; /paralleldo omp_set_num_threads(4); d

20、oublestart=omp_get_wtime(); #pragmaompparallelfor for(inti=1;i=M;i+) for(intj=1;j=M;j+) for(intk=1;k=N;k+) cij+=aik*bkj; doubleend=omp_get_wtime(); cout并行:end-startendl; /serialdo start=omp_get_wtime(); for(inti=1;i=M;i+) for(intj=1;j=M;j+) for(intk=1;k=N;k+) cij+=aik*bkj; end=omp_get_wtime(); cout串

21、行:end-startendl; system(pause); 2、问题规模对串、并行程序时间的影响(二维数组为N*N) (1)通过不断增加问题规模，观察串行和并行程序的执行时间，得到如下表格的时间消耗数据：N10030010000串行消耗(ms)0.00720.1190.49并行消耗(ms)0.01980.1000.31(2)可以发现，当规模较小时，串行算法仍然要比并行算法运行的快，当规模到达一定程度的时候，并行运行的速度较串行有了提升。并行算法对各个CPU的调度也占用一定的时间，当问题规模很小的时候，这个调度时间占了很大的比重，而在规模较大的时候，这个调度时间就显得微乎其微了3、线程数目对

22、并行程序的影响（这里假设问题规模为：N*M=500*500） (1)在使用OpenMP进行并行执行矩阵加法时，我们可以自由设置进行并行计算的并行线程数目。 (2)在并行区域中，通过函数int omp_set_num_threads(int)设置并行区域中要创建的线程数，分别设置为2、4、8、16，得到如下表格的时间消耗24816并行消耗(ms)0.4180.2540.2520.352 (3)观察发现，在问题规模不变的前提下，随着线程数目的增加，问题解决的时间也在相应的减少。但是，问题消耗的时间并不会随着线程数目的增加而不断的减少，原因可能是因为，随着线程数目的增减，线程的额外准备时间开销也将扩大。四、心得体会 挺水的一次实验，不是因为实验水，而是感觉跟第一次实验没什么区别，线程只是利用线程数去减少了时间开销，而不是降低了问题的复杂度。主要是矩阵的乘法，自己没有用到好的算法。不过目前计算矩阵的乘法还没有找到O(n2)或者比O(n2)时间复杂度更小的算法吧