基于openMP的并行计算实验

1、并行计算实验报告课程：并行计算姓名：学号班级：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sizexsize的二维数组啊a,b,c。初始化a数组为全1，b数组为全2通过omp_set_num_thread

2、s()库函数设置线程数调用openMP库函数omp_get_wtime()获取当前时间start#pragmaompparallelfor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<iostream>#include<>#definesize10000usingnamespacestd;intasizesize,bsizesize,csizesize;intmain()for(inti=0

3、;i!=size;+i)/initialthematrixfor(intj=0;j!=size;+j)aij=1;bij=2;doublestart=omp_get_wtime();omp_set_num_threads(4);#pragmaompparallelforfor(inti=0;i<size;+i)for(intj=0;j<size;+j)cij=aij+bijdoubleend=omp_get_wtime();cout<<"并行运行时间："<<end-start<<endl;start=omp_get_wtime

4、();for(inti=0;i<size;+i)for(intj=0;j<size;+j)cij=aij+bij;end=omp_get_wtime();cout<<"串行运行时间："<<end-start<<endl;system("pause");2、问题规模对用、并行程序时间的影响(A、B矩阵的大小为N*M)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)并行消耗(ms)(2)可以发现，当矩阵规模较小

5、时，用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，并行运行的速度较申行有了提升。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。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N格而时间7肖耗24816并行消耗(ms)(3)

6、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、比较用、并行算法在执行时间上的差别。二、实验内容1、使用OpenMP和近似计算公式

7、计算圆周率冗的大小，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冗的近似值通过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#pragma?omp?parallel?for?reduction(+:sum)开始做并行区部分汪忠：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

8、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用行做一边矩阵相加更新end,end-start即为串行耗时代码如下：I#include<iostream>#include<>#define?size?using?namespace?std;int?main()double?sum=0,start,end;omp_set_num_threads(4);start=omp_get_wtime();#pragma?omp?parallel?for?reduction

9、(+:sum)for(int?i=0;i<size;+i)sum+=4/(1+(+i)/size)*(+i)/size)*1/size;end=omp_get_wtime();cout<<"并行时间："<<end-start<<endl;sum=0;start=omp_get_wtime();for(int?i=0;i<size;+i)sum+=4/(1+(+i)/size)*(+i)/size)*1/size;end=omp_get_wtime();cout<<"串行时间："<<e

10、nd-start<<endl;(20);cout<<"n："<<sum<<endl;system("pause");2、问题规模对用、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：1000100000串行消耗(ms)并行消耗(ms)(2)可以发现，当规模较小时，用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，并行运行的速度较申行有了提升。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

11、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=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。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N格而时间7肖耗24816并行消耗(ms)(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

12、间开销也将扩大。四、心得体会通过本次实验，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，并行结果反而不如用行，不过当处理器足够多时(理想情况为数

13、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。全局变量设置numxsize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#pragmaompparallelfor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，生成新的一层平衡树

14、(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<iostream>#include<>#include<>constintsize=10000;usingnamespacestd;intasize+1size+1;intmain()intnum=log(size-1)/log(2)+1;for(size_ti=1;i<=size;+i)/初始化anumi=i;intm=0;doublestart=omp_get_wtime()

15、;for(size_ti=1;i<=size;+i)/串行if(anumi>=m)m=anumi;doubleend=omp_get_wtime();cout<<"串行:"<<end-start<<endl;intamax=size;omp_set_num_threads(4);start=omp_get_wtime();for(intk=num-1;k>=0;k-)#pragmaompparallelforfor(intj=1;j<=(amax-1)/2+1;j+)if(2*j>amax)akj=ak+1a

16、max;elseakj=ak+12*j-1>ak+12*j?ak+12*j-1:ak+12%；end=omp_get_wtime();cout<<"并行:"<<end-start<<endl;system("pause");2、问题规模对申、并行程序时间的影响(数列长度为N)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：N100100010000串行消耗(ms)并行消耗(ms)(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

17、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用行多。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。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N格而时间7肖耗24816并行消耗(ms)(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

18、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、掌握矩阵的乘法的申、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

19、行对最外层循环并行计算全局变量设置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#pragmaompparallelfor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<iostream>#include<>#define?M?500#define?N?500using?namespace?std;int?aM+1N+1,b

20、N+1M+1,cM+1M+1;int?main()/init?arrayfor(int?i=1;i<=Mi+)for(int?j=1;j<=N;j+)a皿=1;for(int?i=1;i<=N;i+)for(int?j=1;j<=Mj+)b皿=2;/parallel?doomp_set_num_threads(4);double?start=omp_get_wtime();#pragma?omp?parallel?forfor(int?i=1;i<=M|i+)for(int?j=1;j<=M|j+)for(int?k=1;k<=N|k+)cij+=aik*bkj；double?end=omp_get_wtime();cout<<"并行："<<end-start<<endl;/serial?dostart=omp_get_wtime();for(int?i=1;i<=M|i+)for(int?j=1;j<=M|j+)for(int?k=1;k<=N|k+)cij+=aik*bkj；end=omp_get_wtime();cout<<"串行："<