Biblioteka równoległych wzorców (PLL)

Biblioteka wzorców równoległych (PPL) udostępnia model programowania imperatywnego, który promuje skalowalność i łatwość użycia do tworzenia współbieżnych aplikacji. PPL opiera się na składnikach planowania i zarządzania zasobami środowiska uruchomieniowego współbieżności. Podnosi ona poziom abstrakcji między kodem aplikacji a bazowym mechanizmem wątkowania, zapewniając ogólne, bezpieczne dla typów algorytmy i kontenery, które działają równolegle na danych. PPL umożliwia również tworzenie aplikacji skalowanych przez udostępnienie alternatyw dla stanu współużytkowanego.

PPL oferuje następujące funkcje:

• Równoległość zadań: mechanizm, który działa w górnej części puli wątków systemu Windows w celu równoległego wykonywania kilku elementów roboczych (zadań)

• Algorytmy równoległe: ogólne algorytmy, które działają na podstawie środowiska uruchomieniowego współbieżności, aby działać równolegle na kolekcjach danych

• Kontenery równoległe i obiekty: ogólne typy kontenerów, które zapewniają bezpieczny współbieżny dostęp do ich elementów

Przykład

PPL udostępnia model programowania podobny do standardowej biblioteki języka C++. W poniższym przykładzie pokazano wiele funkcji PPL. Oblicza kilka liczb Fibonacciego szeregowo i równolegle. Oba obliczenia działają na obiekcie std::array . Przykład wyświetla również w konsoli czas wymagany do wykonania obu obliczeń.

Wersja szeregowa używa algorytmu std::for_each biblioteki standardowej języka C++ do przechodzenia przez tablicę i przechowywania wyników w obiekcie std::vector. Wersja równoległa wykonuje to samo zadanie, ale używa współbieżności PPL ::p arallel_for_each algorytmu i przechowuje wyniki w obiekcie concurrency::concurrent_vector . Klasa concurrent_vector umożliwia iteracji każdej pętli równoczesne dodawanie elementów bez konieczności synchronizowania dostępu zapisu do kontenera.

Ponieważ parallel_for_each działa współbieżnie, równoległa wersja tego przykładu musi posortować concurrent_vector obiekt, aby wygenerować te same wyniki co wersja szeregowa.

Zwróć uwagę, że w przykładzie użyto metody naiwnej do obliczenia liczb Fibonacciego; Jednak ta metoda ilustruje, w jaki sposób środowisko uruchomieniowe współbieżności może poprawić wydajność długich obliczeń.

// parallel-fibonacci.cpp
// compile with: /EHsc
#include <windows.h>
#include <ppl.h>
#include <concurrent_vector.h>
#include <array>
#include <vector>
#include <tuple>
#include <algorithm>
#include <iostream>

using namespace concurrency;
using namespace std;

// Calls the provided work function and returns the number of milliseconds 
// that it takes to call that function.
template <class Function>
__int64 time_call(Function&& f)
{
   __int64 begin = GetTickCount();
   f();
   return GetTickCount() - begin;
}

// Computes the nth Fibonacci number.
int fibonacci(int n)
{
   if(n < 2)
      return n;
   return fibonacci(n-1) + fibonacci(n-2);
}

int wmain()
{
   __int64 elapsed;

   // An array of Fibonacci numbers to compute.
   array<int, 4> a = { 24, 26, 41, 42 };

   // The results of the serial computation.
   vector<tuple<int,int>> results1;

   // The results of the parallel computation.
   concurrent_vector<tuple<int,int>> results2;

   // Use the for_each algorithm to compute the results serially.
   elapsed = time_call([&] 
   {
      for_each (begin(a), end(a), [&](int n) {
         results1.push_back(make_tuple(n, fibonacci(n)));
      });
   });   
   wcout << L"serial time: " << elapsed << L" ms" << endl;
   
   // Use the parallel_for_each algorithm to perform the same task.
   elapsed = time_call([&] 
   {
      parallel_for_each (begin(a), end(a), [&](int n) {
         results2.push_back(make_tuple(n, fibonacci(n)));
      });

      // Because parallel_for_each acts concurrently, the results do not 
      // have a pre-determined order. Sort the concurrent_vector object
      // so that the results match the serial version.
      sort(begin(results2), end(results2));
   });   
   wcout << L"parallel time: " << elapsed << L" ms" << endl << endl;

   // Print the results.
   for_each (begin(results2), end(results2), [](tuple<int,int>& pair) {
      wcout << L"fib(" << get<0>(pair) << L"): " << get<1>(pair) << endl;
   });
}

Następujące przykładowe dane wyjściowe są przeznaczone dla komputera z czterema procesorami.

serial time: 9250 ms
parallel time: 5726 ms

fib(24): 46368
fib(26): 121393
fib(41): 165580141
fib(42): 267914296

Każda iteracja pętli wymaga innego czasu na zakończenie. Wydajność parallel_for_each elementu jest powiązana przez operację, która kończy się ostatnio. W związku z tym nie należy oczekiwać poprawy wydajności liniowej między wersjami seryjnymi i równoległymi w tym przykładzie.

Tematy pokrewne