基于openMP的并行计算实验

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 ①全局变量设置三个宏定义过的size×size的二维数组啊a,b,c。 ②初始化a数组为全1，b数组为全2 ③通过omp_set_num_threads()库函数设置线程数 ④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 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

#include #define size 10000 using namespace std; int a[size][size],

b[size][size], c[size][size];

int main() {

for(int i=0;i!=size;++i) //initial the matrix

for(int j=0;j!=size;++j){ a[i][j]=1; b[i][j]=2; } double start=omp_get_wtime(); omp_set_num_threads(4);

#pragma omp parallel for

for(int i=0;i

cout<<\并行运行时间：\start=omp_get_wtime(); for(int i=0;i

cout<<\串行运行时间：\system(\}

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) 并行消耗(ms) 0.03 7.06 4.36 9.54 296.91 182.27 (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 2 4 8 16 并行消耗(ms) 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

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

三、实验步骤

1、整个程序的设计流程 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

③通过omp_set_num_threads()库函数设置线程数

④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

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 #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

end=omp_get_wtime();

cout<<\并行时间:\<

start=omp_get_wtime(); for(int i=0;i

end=omp_get_wtime();

cout<<\串行时间:\<

sum+=4/(1+((0.5+i)/size)*((0.5+i)/size))*1/size; sum+=4/(1+((0.5+i)/size)*((0.5+i)/size))*1/size;

#pragma omp parallel for reduction(+:sum)

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： 1000 100000 10000000 串行消耗(ms) 并行消耗(ms) 0.04 4.60 4.10 15.04 365.70 188.48 (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。 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)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 2 4 8 16 并行消耗(ms) 3.26 3.23 3.14 30.9 (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。

本文来源：https://www.bwwdw.com/article/wdh2.html