ГУАП

КАФЕДРА ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМ И СЕТЕЙ

ОТЧЕТ ЗАЩИЩЕН С ОЦЕНКОЙ

ПРЕПОДАВАТЕЛЬ

Ассистент				Рыжов К.Ю.
должность, уч. степень, звание		подпись, дата		инициалы, фамилия

ОТЧЕТ О ЛАБОРАТОРНОЙ РАБОТЕ №5

ПАРАЛЛЕЛИЗМ

по курсу: ОСНОВЫ ПРОГРАММИРОВАНИЯ

РАБОТУ ВЫПОЛНИЛ

СТУДЕНТ ГР. №	4116
			подпись, дата		инициалы, фамилия

Санкт-Петербург 2022

Цель лабораторной работы: изучение автоматического распараллеливания кода, использующего стандартные алгоритмы библиотеки STL, способов применения и особенностей работы; получение навыков программирования на языке C++.

Задание на программирование: разработать программу и провести анализ эффективности работы с использованием различных политик распараллеливания и с использованием автоматического параллелизатора, автоматического векторизатора.

Вариант 23:

Подсчитать количество элементов коллекции L , которые совпадают с последним элементом.

Описание модели решения: для решения поставленной задачи был взят код из предыдущей лабораторной работы. Чтобы были доступны политики параллельного исполнения, подключена библиотека execution. Политики использовались в методах count и generate. Для работы с потоками подключена библиотека thread. Встроенная функция thread::hardware_concurrency возвращает количество одновременных потоков.

Исходный код:

#include <iostream>

#include <vector>

#include<algorithm>

#include <thread>

#include <ctime>

#include <execution>

using namespace std;

int random()

{

return rand() % 6;

}

template<class Type> void count(vector<Type> arr)

{

cout << endl << count(execution::par_unseq,arr.begin(), arr.end(), arr.back()) - 1 << " elements matching the last" << endl;

}

template<class Type> void fill(vector<Type>& arr, int n)

{

arr.resize(n);

generate(execution::par_unseq, arr.begin(), arr.end(), random);

}

template<class Type> void print(Type& arr)

{

for (auto x : arr)

cout << x << " ";

cout << endl;

}

int main()

{

unsigned int k = std::thread::hardware_concurrency();

cout << "Thread number: " << k << endl;

srand(time(0));

CLOCKS_PER_SEC;

int n;

cout << "Enter capacity of conteiners: ";

cin >> n;

cout << endl;

clock_t start = clock();

cout << "Vector: ";

clock_t start1 = clock();

vector<int> v;

fill(v, n);

count(v);

clock_t end1 = clock();

cout << "Time: " << (end1 - start1) / 1000.0 << endl;

//print(v);

}

Проверка работоспособности алгоритма:

Код без оптимизации и использования политик:

Политика «PAR

-Без оптимизации кода

-Оптимизация О1(автоматическая параллелизация).

-Оптимизация О2(автоматическая векторизация).

Вывод: parallel_policy (execution::par) замедлила выполнение вектора в сравнении с кодом без политик. Автоматическая параллелизация и векторизация немного ускорили выполнение, однако время осталось примерно в тех же пределах.

Политика «SEQ»

-Без оптимизации кода

-Оптимизация О1(автоматическая параллелизация).

-Оптимизация О2(автоматическая векторизация).

Вывод: sequenced_policy (execution::seq) замедлила выполнение вектора без оптимизации кода, автоматическая параллелизация никак не повлиял, а вот векторизация уменьшила время выполнения.

Политика «PAR_UNSEQ»

-Без оптимизации кода.

-Оптимизация О1(автоматическая параллелизация).

-Оптимизация О2 (автоматическая векторизация).

Вывод: parallel_unsequenced_policy (execution::par_unseq) никак не повлияла на время выполнения вектора в сравнении с кодом без политик и без оптимизации. Автоматическая векторизация и параллелизация ускорили выполнение.

Таблица сравнения результатов

Политика\Оптимизация	Без оптимизации	Автоматическая параллелизация	Автоматическая векторизация
Par	0.067	0.062	0.063
Seq	0.069	0.064	0.062
Par_unseq	0.064	0.056	0.059

Вывод: были использованы все методы оптимизации кода , самая подходящая комбинация – автоматическая параллелизация и политика par_unseq. Иным задачам, для получения максимального быстродействия может подойти другая комбинация настроек компилятора и политки.