基于openMP的并行计算实验Word文档下载推荐.docx
《基于openMP的并行计算实验Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《基于openMP的并行计算实验Word文档下载推荐.docx（15页珍藏版）》请在冰点文库上搜索。
…
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
⑤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<
iostream>
#include<
omp.h>
#definesize10000
usingnamespacestd;
inta[size][size],
b[size][size],
c[size][size];
intmain（）
{
for（inti=0;
i!
=size;
++i）//initialthematrix
for（intj=0;
j!
++j）{
a[i][j]=1;
b[i][j]=2;
}
doublestart=omp_get_wtime（）;
omp_set_num_threads（4）;
#pragmaompparallelfor
for（inti=0;
i<
size;
++i）
j<
++j）
c[i][j]=a[i][j]+b[i][j];
doubleend=omp_get_wtime（）;
cout<
<
"
并行运行时间：
end-start<
endl;
start=omp_get_wtime（）;
for（inti=0;
for（intj=0;
c[i][j]=a[i][j]+b[i][j];
end=omp_get_wtime（）;
cout<
串行运行时间：
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*100
1000*1000
10000*10000
串行消耗（ms）
0.03
4.36
296.91
并行消耗（ms）
7.06
9.54
182.27
（2）可以发现，当矩阵规模较小时，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intomp_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
2
4
8
16
262.73
205.12
248.97
295.38
（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
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别。
1、使用OpenMP和近似计算公式计算圆周率π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
①全局变量设置宏size，用来描述计算范围
②利用如下公式准备计算圆周率π的近似值
#pragma
omp
parallel
for
reduction（+:
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
…
#include<
#define
size
10000000
using
namespace
std;
int
main（）
{
double
sum=0,start,end;
omp_set_num_threads（4）;
start=omp_get_wtime（）;
for（int
i=0;
++i）{
sum+=4/（1+（（0.5+i）/size）*（（0.5+i）/size））*1/size;
}
end=omp_get_wtime（）;
cout<
并行时间:
sum=0;
串行时间:
cout.precision（20）;
π：
sum<
system（"
}
2、问题规模对串、并行程序时间的影响（N的大小影响时间）
1000
100000
0.04
4.10
365.70
4.60
15.04
188.48
（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。
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。
3.26
3.23
3.14
30.9
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
1、掌握求最大值的并行算法
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
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）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num×
size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
②初始化最后一维数组
⑤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a[1][1];
并行处理每一层平衡树
#include<
math.h>
constintsize=10000;
inta[size+1][size+1];
intmain（）
intnum=log（size-1）/log
（2）+1;
for（size_ti=1;
++i）{//初始化
a[num][i]=i;
intm=0;
++i）//串行
if（a[num][i]>
=m）
m=a[num][i];
串行:
intamax=size;
for（intk=num-1;
k>
=0;
k--）{
for（intj=1;
=（amax-1）/2+1;
j++）{
if（2*j>
amax）
a[k][j]=a[k+1][amax];
else
a[k][j]=a[k+1][2*j-1]>
a[k+1][2*j]?
a[k+1][2*j-1]:
a[k+1][2*j];
并行:
}
2、问题规模对串、并行程序时间的影响（数列长度为N）
N
100
10000
1.23e-6
1.35e-5
3.4e-5
0.0031
0.0360
0.047
（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。
0.006
0.004
0.06
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
1、掌握矩阵的乘法的串、并行算法
1、给定两个矩阵A[N,M1]和B[M1,M]的乘积，即求C[N,M]=A[N,M1]*B[M1,M]。
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：
a[M+1][N+1],b[N+1][M+1],c[M+1][M+1]
②初始化三个数组
#define
M
500
N
using
int
a[M+1][N+1],b[N+1][M+1],c[M+1][M+1];
{
//init
array
i=1;
=M;
i++）
for（int
j=1;
=N;
j++）
a[i][j]=1;
b[i][j]=2;
//parallel
do
start=omp_get_wtime（）;
for
for（int
k=1;
k<
k++）
c[i][j]+=a[i][k]*b[k][j];
end=omp_get_wtime（）;
//serial
2、问题规模对串、并行程序时间的影响（二维数组为N*N）
300
0.0072
0.119
0.49
0.0198
0.100
0.31
（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、线程数目对并行程序的影响（这里假设问题规模为：
N*M=500*500）
0.418
0.254
0.252
0.352
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（n^2）或者比O（n^2）时间复杂度更小的算法吧
升级会员 