mochalov_danila_lab_6 is ready

mochalov_danila_lab_6/main.py

@@ -0,0 +1,85 @@
+import random as rnd
+import time
+from multiprocessing import Pool
+
+# Функция для генерации квадратной матрицы заданного размера со случайными значениями от 0 до 100
+def generateMatrixWithSize(size):
+    return [[rnd.randint(0, 100) for i in range(size)] for j in range(size)]
+
+# Функция для вывода матрицы на экран 
+def printMatrix(matrix):
+    for row in matrix:
+        print(*row, sep="\t")
+
+
+# Функция для вычисления определителя матрицы (стандартный алгоритм, рекурсивный)
+def determinantOGWay(matrix):
+    size = len(matrix)
+    if size == 1:
+        return matrix[0][0]
+    elif size == 2:
+        return matrix[0][0] * matrix[1][1] - matrix[0][1] * matrix[1][0]
+    else:
+        det = 0
+        for c in range(size):
+            submatrix = [row[:c] + row[c+1:] for row in matrix[1:]]
+            det += ((-1)**c) * matrix[0][c] * determinantOGWay(submatrix)
+        return det
+
+# Функция для вычисления минора матрицы (для параллельного алгоритма)
+def calculateMinor(matrix, row, col):
+    return [r[:col] + r[col+1:] for r in (matrix[:row]+matrix[row+1:])]
+
+# Функция для вычисления части определителя в отдельном процессе (worker для Pool)
+def determinantPart(args):
+    matrix, col_range_start, col_range_end = args
+    size = len(matrix)
+    det_part = 0
+    for c in range(col_range_start, col_range_end):
+        submatrix = calculateMinor(matrix, 0, c)
+        det_part += ((-1)**c) * matrix[0][c] * determinantOGWay(submatrix)
+    return det_part
+
+
+# Функция для параллельного вычисления определителя матрицы с использованием процессов
+def determinantWithProcesses(matrix, process_count):
+    size = len(matrix)
+
+    chunk_size = size // process_count
+    remainder = size % process_count
+
+    args = []
+    start_c = 0
+    for i in range(process_count):
+        end_c = start_c + chunk_size + (1 if i < remainder else 0)
+        args.append((matrix, start_c, end_c))
+        start_c = end_c
+
+    with Pool(processes=process_count) as pool:
+        results = pool.map(determinantPart, args)
+    
+    return sum(results)
+
+
+if __name__ == "__main__":
+
+    matrix_sizes = [9,10,11] # С большими размерами рекурсивный метод очень долгий, лучше использовать другие алгоритмы (например в numpy)
+    num_processes = [1, 2, 4]
+
+    for size in matrix_sizes:
+        matrix = generateMatrixWithSize(size)
+
+        # Замер времени для стандартного вычисления определителя
+        start_time = time.time()
+        det_og = determinantOGWay(matrix)
+        end_time = time.time()
+        print(f"Обычный режим.  Размер матрицы: {size}x{size}. Время: {end_time - start_time} сек. Определитель: {det_og}")
+
+        # Замер времени для параллельного вычисления определителя с разным количеством процессов
+        for processes in num_processes:
+            start_time = time.time()
+            det_parallel = determinantWithProcesses(matrix, processes)
+            end_time = time.time()
+            print(f"Параллельный режим. Размер матрицы: {size}x{size}. Количество процессов: {processes}. Время: {end_time - start_time} сек. Определитель: {det_parallel}")
+
+        print("\n\n")

mochalov_danila_lab_6/readme.md

@@ -0,0 +1,35 @@
+# Лабораторная работа №6 
+#### ПИбд-42. Мочалов Данила.
+
+#### Выполнение
+Реализованы два алгоритма вычисления определителя квадратной матрицы: обычный (рекурсивный) и параллельный. Параллельный алгоритм использует multiprocessing.Pool для разделения вычислений миноров между несколькими процессами.
+
+#### Результаты бенчмарков:
+
+Тесты проведены для матриц размером 9x9, 10x10 и 11x11 с разным количеством процессов (1, 2, 4).  Большие размеры не использовались из-за высокой вычислительной сложности рекурсивного алгоритма. Результаты представлены в таблице:
+
+| Размер матрицы | Алгоритм   | Кол-во процессов | Время (сек.) |
+|----------------|------------|------------------|-------------|
+| 9x9           | Обычный     | -                 | 0.24        |
+| 9x9           | Параллельный | 1                 | 0.39        |
+| 9x9           | Параллельный | 2                 | 0.25        |
+| 9x9           | Параллельный | 4                 | 0.20        |
+| 10x10         | Обычный     | -                 | 2.37        |
+| 10x10         | Параллельный | 1                 | 2.47        |
+| 10x10         | Параллельный | 2                 | 1.42        |
+| 10x10         | Параллельный | 4                 | 0.85        |
+| 11x11         | Обычный     | -                 | 26.02       |
+| 11x11         | Параллельный | 1                 | 25.90       |
+| 11x11         | Параллельный | 2                 | 14.15       |
+| 11x11         | Параллельный | 4                 | 7.21        |
+
+
+#### Анализ
+- Рекурсивный алгоритм имеет экспоненциальную сложность, что делает его очень медленным для матриц больших размеров.
+- Параллельный алгоритм с одним процессом работает примерно с той же скоростью (или чуть медленнее), что и последовательный, из-за накладных расходов на создание и управление процессами.
+-  С увеличением размера матрицы и количества процессов  эффективность параллельного алгоритма  возрастает. Наиболее заметное ускорение достигается при использовании 4 процессов для матрицы 11x11.
+- Для маленьких матриц параллелизм может быть неэффективен из-за накладных расходов.
+
+
+#### Демонстрация
+Доступна по [ссылке](https://drive.google.com/file/d/1XkkIvRzfLpiqzkJjBeTQHF-VMr9KhkeA/view?usp=sharing)