OpenMP並行化例項----Mandelbrot集合並行化計算

shiter發表於2016-05-10

在理想情況下，編譯器使用自動並行化能夠管理一切事務，使用OpenMP指令的一個優點是將並行性和演算法分離，閱讀程式碼時候無需考慮並行化是如何實現的。當然for迴圈是可以並行化處理的天然材料，滿足一些約束的for迴圈可以方便的使用OpenMP進行傻瓜化的並行。

為了使用自動並行化對Mandelbrot集合進行計算，必須對程式碼進行內聯：書中首次使用自動並行化時候，通過效能分析發現工作線上程中並未平均分配。

#include <stdio.h>
#include <malloc.h>
#define SIZE 4000

int inSet(double ix,double iy)
{
	int iterations = 0;
	double x = ix,y = iy;
	double x2 = x*x, y2 = y*y;

	while ((x2 + y2 < 4) && (iterations < 1000))
	{
		y = 2*x*y + iy;
		x = x2 -y2 +ix;
		x2 = x*x;
		y2 = y*y;
		iterations++;
	}

	return iterations;
}

int main()
{
	int *matrix[SIZE];
	for (int i = 0; i < SIZE; i++)
	{
		matrix[i] = (int* )malloc( SIZE*sizeof(int) );
	}

#pragma omp parallel for
	for (int x = 0 ;x <SIZE; x++)
	{
		for (int y =0;y <SIZE;y++)
		{
			double xv = ((double)x -(SIZE/2)) / (SIZE/4);
			double yv = ((double)y -(SIZE/2)) / (SIZE/4);
			matrix[x][y] = inSet(xv,yv);
		}
	}

	for (int x =0; x<SIZE;x++)
	{
		for (int y =0;y<SIZE;y++)
		{
			if (matrix[x][y] == -7)
			{
				printf(" ");
			}
		}
	}

	return 0;
}

當我們看到分形圖的時候應該可以很快的理解負荷不均衡從那裡產生，分形圖中大部分點不在集合中，這部分點只需要少量的迭代就可以確定，但有些在集合中的點則需要大量的迭代。

當然我再一次見識到了OpenMP傻瓜化的並行操作機制，糾正工作負荷不均衡只要更改並行程式碼排程子句就可以了，使用動態指導排程，下面程式碼是增加了OpenCV的顯示部分：

#include "Fractal.h"
#include <Windows.h>
#include <omp.h>

int Fractal::Iteration(Complex a, Complex c)
{
	double maxModulus = 4.0;
	int maxIter = 256;
	int iter = 0;
	
	Complex temp(0,0) ;

	while ( iter < maxIter && a.modulus() < maxModulus)
	{
		a = a * a ;
		a += c;
		iter++;
	}
	return iter;
}

cv::Mat Fractal::generateFractalImage(Border border, CvScalar colortab[256] )
{
	cv::Size size(500,500);

	double xScale = (border.xMax - border.xMin) / size.width;
	double yScale = (border.yMax - border.yMin) / size.height;

	cv::Mat img(size, CV_8UC3);

#pragma omp parallel for schedule(dynamic)
	for (int y=0; y<size.height; y++)
	{
		for (int x=0; x<size.width; x++)
		{
			double cx = border.xMin + x * xScale;
			double cy = border.yMin + y * yScale;

			Complex a(0.0, 0.0);
			Complex c(cx, cy);
			int nIter ;

			if (type == MANDELBROT)
			{
				nIter = Iteration(a, c);
			}
			else if (type == JUALIA)
			{
				nIter = Iteration(c, offset);
			}

			int colorIndex =  (nIter) % 255;

			cv::Vec3b color;
			color.val[0] = colortab[colorIndex].val[0];
			color.val[1] = colortab[colorIndex].val[1];
			color.val[2] = colortab[colorIndex].val[2];
			img.at<cv::Vec3b>(y,x) = color;
		}
	}

	return img;
}

#pragma omp parallel for schedule(dynamic) 子句

schedule子句：

　　schedule(type[, size])，

　　引數type是指排程的型別，可以取值為static，dynamic，guided，runtime四種值。其中runtime允許在執行時確定排程型別，因此實際排程策略只有前面三種。

　　引數size表示每次排程的迭代數量，必須是整數。該引數是可選的。當type的值是runtime時，不能夠使用該引數。

動態排程dynamic

　　動態排程依賴於執行時的狀態動態確定執行緒所執行的迭代，也就是執行緒執行完已經分配的任務後，會去領取還有的任務。由於執行緒啟動和執行完的時間不確定，所以迭代被分配到哪個執行緒是無法事先知道的。

　　當不使用size 時，是將迭代逐個地分配到各個執行緒。當使用size 時，逐個分配size個迭代給各個執行緒。

動態排程迭代的分配是依賴於執行狀態進行動態確定的，所以哪個執行緒上將會執行哪些迭代是無法像靜態一樣事先預料的。

加速結果：

1.放大加速結果