帮网站做代理,怎么在网上做广告宣传,网页价格是什么意思,网站背景居中怎么做导读#xff1a;面向应用工程师的商业软件咨询、自研软件定制开发服务的仿真公众号#xff0c;点击关注进入菜单#xff0c;查看更多精彩内容。(三)如何实现多核并行计算呢#xff1f;了解了多核、多Machine、多Rack后#xff0c;我可以看一下软件(程序)是如何对这些资源进… 导读面向应用工程师的商业软件咨询、自研软件定制开发服务的仿真公众号点击关注进入菜单查看更多精彩内容。(三)如何实现多核并行计算呢了解了多核、多Machine、多Rack后我可以看一下软件(程序)是如何对这些资源进行调度使用的呢1、先看看CAE软件的设置CAE软件现在基本上都都号称是支持多核并行计算的可以通过界面、求解命令等设置使用的核数这样我们拿ansys看一下。在Ansys中进行并行计算或多核计算设置可在Ansys的Product Launcher启动界面的High Performance Computing Setup页面中进行设置。在此高级设置页面中可以设置并行计算多台多核也可以设置单台多核设置单台多核可以理解为单CPU多个内核。对于核数设置很多软件都有个限制不过据说有些国产CAE软件是不限制核数的如果有兴趣购买国产CAE软件的可以联系本公众号。言归正传咱们看看程序怎么实现的。2、并行计算简介并行平台的通信模型: 共享数据(POSIX、windows线程、OpenMP)、消息交换(MPI、PVM)。并行算法模型: 数据并行模型、任务依赖图模型、工作池模型、管理者-工作者模型、消费者模型对于并行计算一个任务可能涉及到的问题任务分解、任务依赖关系、任务粒度分配、并发度、任务交互并行算法性能的常见度量值并行开销、加速比、效率(加速比/CPU数)、成本(并行运行时间*CPU数)上面的描述可能不是特别好理解我们下面通过实例来说明下。演示中主要完成的工作在Sum0函数(工作本身没有什么意义主要是消耗一些时间来代表需要做的工作:),然后分别用OpenMP工具(vc和icc编译器支持)和一个自己手工写的线程工具来并行化该函数来看看多核优化后的效果我测试用的编译器是vc2005;CPU是双核的AMD64x2 4200(2.37G)内存2G双通道DDR2 677MHz(分为三类纯代码执行、OpenMP并行计算、自己手写多线程)3、不用并行的纯代码#include #include #include #include //一个简单的耗时任务double Sum0(double* data,long data_count);int main(){long data_count200000;double* datanew double[data_count];long i;//初始化测试数据for (i0;idata[i](double)(rand()*(1.0/RAND_MAX));const long test_count200*2;//为了能够测量出代码执行的时间让函数执行多次double sumresult0;double runtime(double)clock();for( i0; i{sumresultSum0(data,data_count);}runtime((double)clock()-runtime)/CLOCKS_PER_SEC;printf ( Sum0 );printf ( 最后结果 %10.4f ,sumresult);printf ( 执行时间(秒) %f ,runtime);delete [] data;return 0;}double Sum0(double* data,long data_count){double result0;for (long i0;i{data[i](double)sin(cos(data[i]));resultdata[i];}return result;}看一下输出结果 Sum0 最后结果 55590743.4039执行时间(秒) 6.1560004、使用OpenMP并行计算OpenMP是基于编译器命令的并行编程标准使用的共享数据模型现在可以用在C/C、Fortan中OpenMP命令提供了对并发、同步、数据读写的支持(需要在项目属性中打开多线程和OpenMP支持,并要在多核CPU上执行才可以看到多CPU并行的优势)OpenMP的实现如下:#include #include #include #include //需要在项目属性中打开多线程和OpenMP支持#include //用OpenMP实现double Sum_OpenMP(double* data,long data_count);int main(){long data_count200000;double* datanew double[data_count];long i;//初始化测试数据for (i0;idata[i](double)(rand()*(1.0/RAND_MAX));const long test_count200*2;//为了能够测量出代码执行的时间让函数执行多次double sumresult0;double runtime(double)clock();for( i0; i{sumresultSum_OpenMP(data,data_count);}runtime((double)clock()-runtime)/CLOCKS_PER_SEC;printf ( Sum_OpenMP );printf ( 最后结果 %10.4f ,sumresult);printf ( 执行时间(秒) %f ,runtime);delete [] data;return 0;}double Sum_OpenMP(double* data,long data_count){double result0;#pragma omp parallel for schedule(static) reduction(: result)for (long i0;i{data[i](double)sin(cos(data[i]));resultdata[i];}return result;}Sum_OpenMP函数相对于Sum0函数只是增加了一句#pragma omp parallel for schedule(static) reduction(: result) ; 它告诉编译器并行化下面的for循环并将多个result变量值用合并(更多的OpenMP语法请参阅相关资料)程序运行输出如下: Sum_OpenMP 最后结果 55590743.4039执行时间(秒) 3.0780005、利用多线程来并行化使用了自定义的CWorkThreadPool多线程工具此处不贴这部分代码了。需要在项目属性中打开多线程支持多线程并行实现如下:#include #include #include #include #include #include WorkThreadPool.h //使用CWorkThreadPool类double Sum_WorkThreadPool(double* data,long data_count);int main(){long data_count200000;double* datanew double[data_count];long i;//初始化测试数据for (i0;idata[i](double)(rand()*(1.0/RAND_MAX));const long test_count200*2;//为了能够测量出代码执行的时间让函数执行多次double sumresult0;double runtime(double)clock();for( i0; i{sumresultSum_WorkThreadPool(data,data_count);}runtime((double)clock()-runtime)/CLOCKS_PER_SEC;printf ( Sum_WorkThreadPool );printf ( 最后结果 %10.4f ,sumresult);printf ( 执行时间(秒) %f ,runtime);delete [] data;return 0;}double Sum0(double* data,long data_count){double result0;for (long i0;i{data[i](double)sin(cos(data[i]));resultdata[i];}return result;}struct TWorkData{double* part_data;long part_data_count;double result;};void sum_callback(TWorkData* wd){wd-resultSum0(wd-part_data,wd-part_data_count);}double Sum_WorkThreadPool(double* data,long data_count){long work_countCWorkThreadPool::best_work_count();std::vector work_list(work_count);std::vector pwork_list(work_count);long i;//给线程分配任务long part_data_countdata_count/work_count;for (i0;i{work_list[i].part_datadata[part_data_count*i];work_list[i].part_data_countpart_data_count;}work_list[work_count-1].part_data_countdata_count-part_data_count*(work_count-1);for (i0;ipwork_list[i]work_list[i];//利用多个线程执行任务 阻塞方式的调用CWorkThreadPool::work_execute((TThreadCallBack)sum_callback,(void**)pwork_list[0],pwork_list.size());double result0;for (i0;iresultwork_list[i].result;return result;}用多线程来把代码并行化从而利用多个CPU核的计算能力,这种方式具有比OpenMP更好的灵活性但容易看出这种方式没有OpenMP的实现简便Sum_WorkThreadPool函数更多的代码在处理将计算任务分解成多个独立任务然后将这些任务交给CWorkThreadPool执行程序执行输出如下: Sum_WorkThreadPool 最后结果 55590743.4039执行时间(秒) 3.063000总结通过三天对于多核并行的讲解相信大家一定有了深刻的认识希望能够帮助大家更好的理解CAE软件并行计算原理更希望大家能够分享、转发、再看等方式传递我们的信息给更多的朋友谢谢。欢迎大家转发并点击下面的“在看”按钮邀请更多的朋友一块讨论仿真技术谢谢