romanova_adelina_lab_5_ready

romanova_adelina_lab_5/README.md

@@ -0,0 +1,33 @@
+# Лабораторная работа 5. Параллельное умножение матриц
+
+## Задание
+
+Требуется сделать два алгоритма: обычный и параллельный. В параллельном алгоритме предусмотреть ручное задание количества потоков, каждый из которых будет выполнять умножение элементов матрицы в рамках своей зоны ответственности.
+
+### Запуск программы
+
+Для запуска программы необходимо с помощью командной строки в корневой директории файлов прокета прописать:
+```
+python main.py
+```
+
+### Описание работы программы
+
+Метод ```benchmark``` выполняет бенчмарк для матриц заданного размера. 
+
+Далее генерируются две матрицы ```matrix1``` и ```matrix2``` заданного размера.
+
+После этого вызываются соответствующие методы для вычисления произведения матриц: ```multiply_matrices``` для обычного умножения и ```multiply_matrices_parallel``` для параллельного умножения. 
+
+Измеряется время выполнения каждого из методов с использованием функции ```time.time()```.
+
+### Результат работы программы:
+
+![](result.png "")
+
+#### Вывод
+
+Параллельное выполнение матричного умножения имеет смысл применять при работе с крупными матрицами, где выигрыш от параллельных вычислений компенсирует затраты на управление потоками. Для небольших матриц может быть эффективнее использовать обычное выполнение
+
+# Youtube
+https://youtu.be/kX6FrGL9DP0

romanova_adelina_lab_5/main.py

@@ -0,0 +1,48 @@
+import numpy as np
+import time
+import concurrent.futures
+
+def multiply_matrices(matrix1, matrix2):
+    return np.dot(matrix1, matrix2)
+
+def multiply_matrices_parallel(matrix1, matrix2, num_threads):
+    result = np.zeros_like(matrix1)
+    chunk_size = matrix1.shape[0] // num_threads
+
+    def multiply_chunk(start, end):
+        nonlocal result
+        for i in range(start, end):
+            result[i] = np.dot(matrix1[i], matrix2)
+
+    with concurrent.futures.ThreadPoolExecutor(max_workers=num_threads) as executor:
+        futures = []
+        for i in range(0, matrix1.shape[0], chunk_size):
+            futures.append(executor.submit(multiply_chunk, i, i + chunk_size))
+
+        for future in concurrent.futures.as_completed(futures):
+            future.result()
+
+    return result
+
+def benchmark(matrix_size, num_threads=1):
+    # Генерация матриц
+    matrix1 = np.random.rand(matrix_size, matrix_size)
+    matrix2 = np.random.rand(matrix_size, matrix_size)
+
+    # Бенчмарк для обычного умножения
+    start_time = time.time()
+    result = multiply_matrices(matrix1, matrix2)
+    end_time = time.time()
+    print(f"Размер матрицы {matrix_size}x{matrix_size}")
+    print(f"Время при обычном выполнении: {end_time - start_time} секунд")
+
+    # Бенчмарк для параллельного умножения
+    start_time = time.time()
+    result_parallel = multiply_matrices_parallel(matrix1, matrix2, num_threads)
+    end_time = time.time()
+    print(f"Время при параллельном выполнении ({num_threads} потоков): {end_time - start_time} секунд\n")
+
+# Запуск бенчмарков
+benchmark(100)
+benchmark(300)
+benchmark(500)