《基于openmp的并行计算实验》由会员分享，可在线阅读，更多相关《基于openmp的并行计算实验（11页珍藏版）》请在金锄头文库上搜索。
1、并行计算实验报告课程：并行计算姓名：郑波学号：2013211644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数组为全1，b数组为全2通过omp_se
2、t_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;intasizesize,bsizesize,csizesize;int main() for(int
3、i=0;i!=size;+i) /initial the matrixfor(int j=0;j!=size;+j) aij=1;bij=2;double start=omp_get_wtime();omp_set_num_threads(4);#pragma omp parallel forfor(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_wtime(); for(int i=0;isize;+i)fo
4、r(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
5、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)262.73205.12248.97295.38(3)观察发现，在问题规模不变的前提下，随着线
6、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
7、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
8、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#definesize10000000usingnamespacestd;intmain()doublesum=0,start,end;omp_set_num_threads(4);start=omp_get_wtime();#pragmaompparallelforreduction(+:sum)for(inti=0;isize;+i)sum+=4/(1+(0.5+i)
9、/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：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
10、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
11、)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
12、。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）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
13、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()in
